Projektangebote

Rechtssysteme bilden das Fundament demokratischer Staaten. Dennoch kennt jeder das Problem, in wichtigen Lebenslagen nicht selbstständig in der Lage zu sein, aus umfangreichen Rechtsdokumenten konkrete Informationen zu entnehmen. Deshalb ist das Ziel dieses Projekts, eine Suchmaschine mittels maschineller Lernverfahren zu implementieren, die es auch einem Laien ermöglicht, konkrete Antworten zu komplexen juristischen Fragestellungen zu erhalten.

In diesem Projekt wird u.a. mittels cutting-edge Verfahren des Deep Reinforcement Learnings an einer Künstlichen Intelligenz für StarCraft2 gearbeitet die Wissen bewahrbar und übertragbar macht und zudem für Menschen nachvollziehbar ist (Explainability).

In diesem Projekt sollen die Geometrien von Magnetspulen mittels Modellen des Maschinellen Lernens optimiert werden.

Das Ziel des Projekts ist es, den Heilungsverlauf von Wunden mittels optimaler Behandlung sowie fach-gerechter Therapie zu verbessern, und zwar im Kontext der Wundversorgung in der Altenhilfe und -pflege. Die Aufgabe von Verfahren der künstlichen Intelligenz (KI) ist dabei, Bilder von Wunden bezüg-lich verschiedener Merkmale automatisch zu klassifizieren. Darauf aufbauend sollen Wundverläufe vorhergesagt und Behandlungsempfehlungen generiert werden, um Pflegekräfte in ihrer täglichen Ar-beit zu unterstützen.

In diesem Projekt werden komplexe industrielle Produktionsprozesse mithilfe von Deep Reinforcement Learning (DRL) optimiert. Dazu wird zunächst ein datengetriebenes Verfahren entwickelt, welches Materialflusssimulationen automatisch generiert (Digitaler Zwilling der Fertigungslinie). Innerhalb dieses digitalen Zwillings lernt der zu entwickelnde DRL-Agent dann nicht nur, die Prozesseffizienz zu verbessern sondern auch nachhaltige und mitarbeiterorientierte Entscheidungen zu treffen. Mithilfe einer anwender-orientierten Analysetoolbox können menschliche Entscheider:innen mit dem DRL-Agenten interagieren und sein Entscheidungsverhalten untersuchen.

Im Gesundheitswesen vorliegende Daten, wie z.B. Pflegedokumentationen, sind oft schwer systematisch auswertbar und beziehen häufig die Perspektive der Patient*innen nicht mit ein. In diesem Projekt erfolgt eine systematische Auswertung von regelmäßig bei den Patient*innen erhobenen Daten. Zur Auswertung unstrukturierter Anteile werden verschiedene Large Language Models evaluiert. Alternativ wird ein System mittels AutoML-Methoden entwickelt, das auf der Basis von Vorerkrankungen und weiteren Parametern Empfehlungen/Vorhersagen gibt.

Mit Hilfe von Maschine Learning Verfahren soll eine Approximation einer Strömungssimulation zur Optimierung von Werkzeugsgeometrien für Industrielle Anlagen berechnet werden. Die Approximierten Modelle werden dann zusammen mit Optimierungsverfahren verwendet, um die Werkzeuggeometrien über die Veränderung der Parameter ihrer Digitalen Zwillinge zu optimieren.

In dem Projekt geht es darum die Unsicherheit von KI-Methoden bei Vorhersagen zu bestimmen. Dazu sollen verschiedene Methoden verglichen werden. Nachfolgend wird die Anwendung der Unsicherheitsbestimmungs-Methoden im Forschungsfeld Active Learning betrachtet.

Ziel des Projektes ist die Entwurfsraumexploration von KI-/ML-Hardwarebeschleunigern in der Oberflächeninspektion. Im Zentrum steht nicht nur das Lernen der Modelle auf HPC-Systemen, sondern auch die effiziente Ausführung (Inferenz) auf eingebetteter Hardware. Ergebnis der Entwurfsraumexploration ist die Partitionierung der Anwendung, d.h. welche KI-Verfahren können auf dem Sensor ausgewertet werden, welche Verfahren können über Edge-Hardware (z.B. eingebettete GPU/FPGA) beschleunigt werden und welche erfordern leistungsfähige HPC-Hardware in der Cloud.

Ziel des Projekts ist die Entwicklung und Validierung von Methoden aus dem Bereich Prescriptive-Analytics für Produktionsprozesse. Dies beinhaltet sowohl die datenbasierte Erkennung und Voraussage von Fehlern als auch die Erzeugung von Handlungsempfehlungen für den Benutzer. Für die Implementierung und Validierung der studentischen Arbeiten steht die in IoT-Factory zur Verfügung (Abbildung 1), welche am Campus Gütersloh der HSBI aufgebaut ist. In allen Phasen des Forschungsmasters befindet sich der Studierende im Austausch mit dem Projektteam und wird durch die betreuenden wissenschaftlichen Mitarbeiter und den Professor individuell begleitet und gefördert.

Im Rahmen dieses Projekts sollen Preisrisiken im globalen Beschaffungsmanagement frühzeitig erkannt werden. Ausgangspunkt hierfür bilden unternehmensinterne Daten, wie Rechnungen, Rahmenverträge und Preisbücher als auch externe Daten, wie bspw. die Börsenpreisentwicklung von bestimmten Rohstoffen. Mittels Methoden des maschinellen Lernens sollen basierend auf diesen Daten Preisforderungen von Lieferanten prognostiziert werden.

Spritzgussmaschinen werden zur Fertigung von Kunststoffbauteilen verwendet. Die Qualität der Bauteile hängt maßgeblich von der Rückstromsperre ab. Durch die große Belastung (>2500bar) während der Produktion verschleißt diese kontinuierlich, was zu erhöhten Zykluszeiten und Schwankungen in der Produktqualität führt. Mittels maschineller Lernverfahren sollen der Verschleißvorgang bei verschiedenen Produktmaterialien vorhergesagt (Predictive Maintenance) und automatisiert Instandhaltungsaufträge erzeugt werden.

Aufgabe im Projekt ist es, einen prototypischen Aufbau eines verteilten Sensorsystems basierend auf dem tim®IOT der Timmer GmbH aufzubauen, und geeignete KI-/ML-Verfahren für die Zustandsüberwachung und die vorausschauende Wartung zu evaluieren. Beispielsweise sollen mehrere mechatronische Membranpumpen über die bei Timmer entwickelten iHZ-Sensoren ausgestattet werden. Die iHZ-Sensoren verfügen über leistungsfähige Mikroprozessoren, die die erfassten Pumpenhübe einer hochgenauen Zeitbasis zuordnen. Zusätzlich können weitere Messgrößen (z.B. Strom/Spannung) aufgenommen werden.

In diesem Projekt werden All-Sky-Images unter Anwendung u.a. von Convolutional Neural Network und Deep-Learning Verfahren analysiert, um die solare Einstrahlung auf Photovoltaikfelder und die zu erwartenden Erträge prognostizieren zu können.

In der ambulanten Pflege älterer Patient*innen herrscht akuter Personalmangel mit entsprechender Auswirkung auf die Qualität der Versorgung. Der effiziente Einsatz von Pflegekräften könnte diesen Fachkräftemangel etwas abmildern. Das Reallabor Geriatrie im TransCareTech bietet die Möglichkeit, echte Daten von Patient*innen zu erheben. In diesem Projekt werden Methoden der Data Augmentation und der Predictive Maintenance genutzt, um Pflegebedarfe vorherzusagen und den Gesundheitszustand unter Positive Health Aspekten zu bewerten.

Diabetes ist eine weit verbreitete Zivilisationskrankheit. Eine Folgeerkrankung dabei ist das diabetische Fußsyndrom (DFS), welches Einschränkungen verursacht und einen enormen Verlust an Lebensqualität für Patientinnen und Patienten bedeuten kann. In dem hier beschriebenen Projekt soll mittels maschinellen Lernens (ML) eine Fußdruck- und Ganganalyse auf Basis einer Fuß-Sensorik entwickelt werden.

Efficiently managing the huge amount of data generated by IoT sensors in industrial environments is challenging. In this proposal, we explore the integration of active learning technique to optimize sensor usage by intelligently enabling and disabling sensors based on data patterns indicating uncertainties. In doing so, our approach ensures thorough inspection of products while conserving network resources. This intelligent and adaptive strategy reduces unnecessary energy consumption in battery-powered IoT environments, such as factories, where wearables and sensors play a critical role. Furthermore, the proposed strategy provides a strategic balance between network congestion, energy conservation, and quality assurance, marking a significant advancement in IoT sensor network management for industrial applications.

Ziel des Projektes ist die Entwicklung eines Systems, das mittels KI-/ML-Verfahren das Nutzungsverhalten der Bewohner*innen eines Smart Homes erlernt, um anschließend, geeignete Handlungsempfehlungen bereitzustellen oder, bei der Erkennung von Anomalien, geeignete Maßnahmen einzuleiten. Wissenschaftliche Herausforderung des Projekts ist die Anwendung und Evaluation von maschinellen Lernverfahren zum Lernen von Interaktionsmustern basierend auf den gelieferten Daten der Minimalsensorik, sowie der Prädiktion zukünftiger Interaktion und der Anomalieerkennung.