Die Herausforderung, die Qualitätssicherung eines österreichischen Herstellers von Glasartikeln auf neue (KI-)Beine zu stellen, gingen wir mit dem klaren Ziel der Optimierung an. Im gemeinsamen Projekt wurden Methoden aus dem Bereich der Visual Analytics und Machine Learning erforscht und angepasst, um die Qualitätskontrolle und -sicherung bei der Produktion von Glasartikeln zu automatisieren. So können nun beispielsweise kleinste Beschädigungen oder Imperfektionen ohne Probleme erkannt werden.
Die Visual Computing-Plattform TSM Visuals, die wir gemeinsam mit unserem Unternehmenspartner HAKOM Time Series GmbH sowie Data Scientists aus der Energiebranche entwickelten, öffnet durch die Verwendung von interaktiven Visualisierungen völlig neue Möglichkeiten zur Exploration, Interpretation und Evaluierung großer und heterogener Daten. Eine solche Analyse liefert vertrauenswürdige Ergebnisse bei der Qualitätsbewertung von Daten und garantiert eine bessere Qualitätssicherung komplexer Prozesse.
Data Science und Visual Analytics bieten die Möglichkeit, durch verschiedene Darstellungsarten und prädikative Modellierung auf Basis realer Daten zukünftige Ergebnisse vorauszusagen. In unserem Forschungsprojekt En2VA entwickelten wir eine bestehende Analyseplattform zu einem vielseitigen Kommunikationswerkzeug weiter, etwa für gemeinsame Workshops von Data Scientists und Fachleuten, und optimierten die Verarbeitung extrem großer Datenmengen mit Millionen von Einträgen. Dadurch ist En2VA die ideale Visual Analytics-Lösung für die Industrie 4.0, beispielsweise im Bereich der simulationsgestützten Produktentwicklung, mit der sowohl die Prüfung von Datenqualität als auch die Erstellung von Prognosemodellen sowie deren Evaluierung schnell und gut verständlich möglich ist.
Fortgeschrittene mathematische Methoden, etwa aus dem Bereich des Machine Learnings, sind hilfreiche Werkzeuge für die Neurowissenschaft, um die hochkomplexe Informationsverarbeitung des Gehirns besser zu verstehen. Speziell unser Software-Framework Brain bietet hier webbasierte Lösungen für Management, Visualisierung, automatischer Informationsextraktion sowie semantische und bildbasierte Suche in sehr großen Sammlungen räumlicher Bild- und Netzwerkdaten. Das Alleinstellungsmerkmal unserer Infrastruktur sind hochperformante räumliche Datenstrukturen, die es erlauben, die Inhalte zehntausender 3D-Bilddaten und sehr großer, dichter Netzwerkdaten in Millisekunden zu durchsuchen.
Zum Training von KI-Algorithmen braucht es viele Daten. Gerade Rohdaten enthalten jedoch oftmals heikle Informationen. Homomorphe Verschlüsselung bietet hier die Lösung, um sicheres Machine Learning – mit geschützten sensiblen Daten – zu ermöglichen.
Das Forschungsziel des Projekts Ingress besteht darin, die Prozesse von Data Scientists, die mit Industrie 4.0- und IoT-Daten arbeiten, zu beschleunigen, indem eine engere Integration der visuellen Analyse in bestehenden Arbeitsabläufe ermöglicht wird.
Das RAILING-Projekt beschäftigt sich mit der Erforschung und Entwicklung von interaktiven, skalierbaren und vertrauensschaffenden Visualisierungs- und Analysewerkzeugen für die Exploration von zeitabhängigen und komplexen Daten.
Businesses go smart with Data Science: mit Hilfe visueller Datenanalyse, maschinellem Lernen, Deep Learning, Data Mining und visueller Datenverarbeitung helfen wir Unternehmen das Potenzial ihrer Daten voll auszuschöpfen.
DEXHELPP entwickelt neue Methoden zur Unterstützung der Analyse, Planung und Steuerung im Gesundheitswesen durch die Kombination von Entscheidungsanalyse, Datensicherheit, Datenmanagement, Statistik, mathematischer Modellierung, Simulation und visueller Analyse.