Data Science am TTZ Landsberg am Lech

Machine Learning in der Logistik: Packvorgänge optimieren

Ein konkretes Beispiel an der Schnittstelle zwischen Zeitreihenanalyse und Computer Vision ist das sogenannte 3D-Bin-Packing-Problem: Hierbei müssen Objekte unterschiedlichster Form möglichst optimal in einen begrenzten Raum – etwa auf eine Palette – gepackt werden. Um dieses Optimierungsproblem zu lösen, kommen z.B. Verfahren wie Reinforcement Learning und Graph-basierte Neuronale Netzwerke zum Einsatz. Die Herausforderung liegt u.a. in der geometrischen Vielfalt der Objekte, der Echtzeitanforderung für einen Packschritt sowie der Stabilität der Packlösung – ein typisches Szenario für KI in der Logistik.

Zuverlässige, interpretierbare KI

Data Science ist auch die Basis zur Entwicklung zuverlässiger und interpretierbarer KI. In sicherheitskritischen Anwendungen wie dem autonomen Fahren oder der KI-unterstützten Medizin ist es essenziell, nicht nur zu wissen, was eine KI entscheidet, sondern auch warum – und wie sicher sich die KI dabei ist. Dafür analysieren und entwickeln die Forschenden am TTZ Landserg am Lech Machine-Learning-Methoden weiter, um Entscheidungsgrundlagen sichtbar zu machen. Ebenso modellieren sie Unsicherheiten, um das Vertrauen in KI-Systeme zu stärken. Dies bildet die Grundlage für den verantwortungsvollen Einsatz von KI in hochsensiblen Bereichen.

Akustik-basierte, prädiktive Instandhaltung

Die Forschenden am TTZ Landsberg am Lech analysieren Geräusche von Maschinen mit maßgeschneiderten Machine-Learning-Methoden, korrelieren diese mit weiteren Sensordaten und binden das Wissen von Fachexpertinnen und Fachexperten mit ein. Dieses nicht-invasive Verfahren ist kostengünstig, einfach skalierbar und ermöglicht eine frühzeitige Erkennung von Defekten. Die vielfältigen Anwendungen reichen von mechanischen und elektrischen Systemen über Medizintechnik bis hin zu Mobilitäts- und Kommunikationssystemen. So lassen sich die Betriebssicherheit erhöhen und zugleich ungeplante Ausfälle reduzieren.