Maschinelles Lernen in Medizin und Industrie 4.0

Ob in der Automobilindustrie, der Medizin oder Agrarwirtschaft: In all diesen Bereichen hilft Maschinelles Lernen dabei, Lösungen für aktuelle Herausforderungen zu finden. An der Universität Bamberg bearbeiten insbesondere Forschende aus den Bereichen Wirtschaftsinformatik und Angewandte Informatik diese Themen:

Automatisierte Qualitätssicherung in der Produktion

Um ein Auto herzustellen, sind viele Produktionsschritte und Maschinen nötig. Oberste Priorität beim Fahrzeugbau hat die Sicherheit der Fahrzeuginsassen. Alle verwendeten Bauteile müssen voll funktionsfähig sein und höchsten Sicherheitsstandards genügen. Entsprechend komplex, langwierig und bedeutsam ist in der Automobilindustrie die Qualitätssicherung.

KI soll dabei unterstützen, den Qualitätssicherungsprozess noch effizienter und fehlerfreier zu gestalten. Zum Beispiel, indem sie die Menge an Daten, die innerhalb des Produktionsprozesses anfallen, nach bestimmten Kriterien filtert und klassifiziert und dadurch einzuschätzen lernt, an welcher Stelle defekte Teile im Umlauf sein könnten und frühzeitig warnt. Ziel des Projekts ist es auch, die Produktion insgesamt besser zu verstehen und Vorschläge zur Verbesserung des Produktionsprozesses zu machen. Für das Projekt kooperiert der Lehrstuhl für Wirtschaftsinformatik, insbesondere Soziale Netzwerke, mit einem führenden deutschen Automobilhersteller.

Computer-Tomographie ressourcenschonend nutzen

Die Computer-Tomographie (CT) ist ein bildgebendes Verfahren, das Querschnittsbilder des menschlichen Körpers anfertigt und Körperstrukturen sehr präzise darstellen kann. Die Aufnahmen sind wesentlich detaillierter als herkömmliche Röntgenaufnahmen und erleichtern zum Beispiel die Tumorfindung. Aufgrund ihrer komplexen Leistung sind Computer-Tomographen in Herstellung, Nutzung und Wartung sehr teuer. KI soll dabei unterstützen, Computer-Tomographen ressourcenschonend zu nutzen, zum Beispiel, indem sie Vorschläge zu einer effizienten Wartung macht.

Durch den Einsatz von KI, Data Mining und Maschinellem Lernen soll gewährleistet werden, dass die einzelnen Bestandteile ressourcenschonend, also möglichst lange, verwendet werden können, gleichzeitig aber rechtzeitig ausgetauscht werden, um Betriebsausfälle zu vermeiden und das Gerät durchgängig nutzen zu können. Zu diesem Zweck ist es wichtig, rechtzeitig zu erkennen, wann eine Komponente kurz vor dem Ausfall steht und ausgetauscht werden muss. Das Projekt ist eine Kooperation der Professur für Angewandte Informatik, insbesondere Kognitive Systeme, mit Siemens Healthineers Deutschland.

Verfahren zur objektiven Bewertung des Pflanzenwachstums

Die Folgen des Klimawandels sind äußerst vielschichtig und zwingen zum Umdenken – insbesondere in der Landwirtschaft. Das Problem: Pflanzen können sich auf die klimatischen Änderungen nicht schnell genug einstellen, sodass Sorten gezüchtet werden müssen, die resilient gegenüber den prognostizierten Bedingungen sind. Die Phänotypisierung von Pflanzen mittels zerstörungsfreier Monitoring-Technologien aus dem Bereich der KI soll dabei unterstützen.

Für wichtige Entscheidungen in der Pflanzenzucht und Saatgutproduktion werden objektive Verfahren zur Bewertung des Pflanzenwachstums benötigt, beispielsweise um festzustellen, welche Pflanzenart wie gut unter welchen Bedingungen wächst. Nachdem das menschliche Auge allein nicht in der Lage ist, präzise und objektiv zu bewerten, werden Pflanzen mittels unterschiedlicher Monitoring-Verfahren dreidimensional vermessen und untersucht. Auf dieser Basis können unterschiedliche Parameter, beispielsweise zur Wuchsform, Blattfläche und das Aspektverhältnis der Wurzelstrukturen, zu einem bestimmten Zeitpunkt objektiv bestimmt werden. Das Projekt ist eine Kooperation mit dem Fraunhofer IIS Fürth und will einen Beitrag zu einer effizienten und ökologisch sauberen Landwirtschaft leisten. Es ist an der Professur für Angewandte Informatik, insbesondere Kognitive Systeme, angesiedelt.