Referenzprojekte

Marktstudie In-Memory-Systeme

 

In-Memory-Systeme ermöglichen die ultraschnelle Datenverarbeitung in Echtzeit. Unsere aktuelle Studie erklärt den Begriff »In-Memory«, erläutert typische Merkmale von In-Memory-Systemen und gibt einen umfangreichen und herstellerneutralen Überblick zum aktuellen Angebot kommerzieller und Open-Source-Produkte.

Starter Toolkit für data-driven Companies

 

Die digitale Disruption bedeutet für global agierende Unternehmen mit gewachsenen Strukturen eine reale Gefahr. Sie können von kleinen agil agierenden Start-Ups verdrängt werden, denen es gelingt, durch die Kombination von neuen Datenquellen und neuen Modellierungsmethoden effizient neue, hochflexible Services anzubieten.

Um flexibel und agil auf diese Trends zu reagieren, haben wir das StarterKit entwickelt und erfolgreich bei einem großen deutschen Pharmaunternehmen realisiert. Das Toolkit bietet eine flexible, erweiterbare und nachhaltige „Spielwiese“ für Data Scientists, ohne Umwege über dafür noch nicht reife konzerninterne Prozesse machen zu müssen.

Privacy-preserving Toolbox für Big Data Analytics 


In immer mehr Unternehmen ist die intelligente Analyse großer Datenmengen bereits heute fest in den verschiedensten betrieblichen Abläufen verankert und schafft entscheidende Wettbewerbsvorteile. Unabdingbar ist dabei, dass alle Analyseverfahren die Regelungen des Datenschutzes einhalten – also die Privatsphäre hinreichend schützen.

Moderne Algorithmen können Daten zwar bereits zuverlässig anonymisieren, sind aber in der Regel nicht auf Big-Data-Architekturen ausgelegt. Deshalb entwickeln das Fraunhofer IAIS und die Siemens-Forschung Corporate Technology (CT) eine so genannte »Privacy Preserving Big Data Analytics Toolbox«. Sie wird Algorithmen für verschiedene Anonymisierungsverfahren enthalten. Technisch stehen bei der Zusammenstellung der Toolbox zwei Aspekte im Vordergrund: Zum einen müssen die Verfahren in der Lage sein, parallel auf mehreren Systemen zu laufen. Dazu adaptieren die Experten die Algorithmen an gängige Big-Data-Systeme wie Hadoop und massiv parallele Datenbanken. Zum anderen gilt es, die Technologien echtzeitfähig zu machen. Darüber hinaus wird die Toolbox auch Verfahren enthalten, die eine unmittelbare Anonymisierung von Sensordaten ermöglichen, so dass personenbezogene Informationen erst gar nicht in den zentralen Prozess der Datenanalyse gelangen.

Mehr Information

Kontexterkennung im Automobil

 

Seit den späten achtziger Jahren sind elektronische Komponenten und Steuergeräte im Automobil durch den sogenannten CAN-Bus (Controller Area Network) vernetzt. Aktuell sind mehr als 60, in manchen Fällen sogar deutlich mehr als 100, verschiedene Komponenten vernetzt. Das schließt Sensoren für Istwerte (Heizung, Lüftung, …), insassenspezifische Informationen (besetzte Plätze, Gas- und Bremspedalposition, gewählter Gang,…) und umgebungsspezifische Informationen (Abstand zum Vordermann, Temperaturen, gefahrene Geschwindigkeit, …) ein. 

Die auf diesem Bus ausgetauschten Information beschreiben explizit und implizit das Verhalten des Fahrers, seinen Gemütszustand, die aktuelle Umgebung des Automobils und die Situation in der sich der Fahrer befindet. Diese Daten bilden ein monetär nicht mess- und abschätzbares Potential für neue Services und Business Cases der Automobilindustrie. 

Wir unterstützen die deutsche Automobilindustrie maßgeblich dabei, diesen Schatz zu nutzen. Dabei helfen verschiedene freie und selbst entwickelte Data-Mining-Algorithmen, die oftmals komplexen und zeitlich veränderlichen Zusammenhänge zu erkennen und versteckte Kontextinformationen zu extrahieren. 

Kurzfrist-Windleistungsprognose

 

Prognosen über die in das Stromnetz eingespeiste Windenergie sind von großer Wichtigkeit sowohl für die Gewährleistung der Stabilität des Stromnetzes, als auch für eine günstige Vermarktung des Windstromes.

In dem Projekt Kurzfrist-Windleistungsprognose werden im Auftrag des Übertragungsnetzbetreibers Amprion Windertragsprognose-Modelle mit einem Prognosehorizont für die nächsten 8 Stunden erstellt. Prognostiziert werden die Winderträge für die vier Regelzonen in Deutschland (Amprion, Tennet, 50Herz, TransnetBW),und für 120 Netzknoten in der Regelzone Amprion.

Als Eingangsdaten dienen Hochrechnungen über die aktuelle Einspeisung von Windenergie pro Regelzone bzw. pro Netzknoten, und Windertragsprognosen, die Fraunhofer IWES für über 60 Referenzwindparks erstellt. Diese Eingangsdaten werden basierend auf Messdaten viertelstündlich aktualisiert. Fraunhofer IAIS setzt für die Erstellung der Prognose-Modelle in diesem Projekt die patentierte „Echo State Networks“-Technologie ein.

Betrugserkennung in Kreditkartentransaktionen

 

Fraunhofer IAIS und die PAYMINT AG kooperieren bei der Vermarktung neuester Fraud-Mining-Technologien zur Betrugserkennung Für den elektronischen Zahlungsverkehr gewinnt ein effizientes Risiko- und Betrugsmanagement immer mehr an Bedeutung. Neueste Fraud-Mining-Technologien helfen dabei, Betrugsmuster schnell und zuverlässig zu identifizieren um so Kartenmissbrauch zu vermeiden. Dazu haben das Fraunhofer IAIS und die PAYMINT AG in Kooperation das neue Betrugserkennungssystem MINTify rule entwickelt.

Erkennung von Identitätsbetrug im Online-Handel

 

Im Versandhandel und E-Commerce kommt es immer wieder dazu, dass Ware bestellt, nach der erfolgreichen Lieferung aber nicht gezahlt wird. Durch Identitätsverschleierung kommt es dabei zu kostspieligen Adress-Ermittlungsverfahren und Forderungsausfällen.

Um dieses Risiko zu minimieren, hat das Fraunhofer IAIS beispielsweise in Zusammenarbeit mit Arvato Infoscore ein Verfahren zur automatisierten und frühzeitigen Erkennung von signifikant auffälligen Bestellungen, den »Address Profile Check« (APC), entwickelt. Dadurch lassen sich automatisiert und frühzeitig signifikante Verdachtsfälle identifizieren.

Der Einsatz von Big Data Analytics zur Betrugserkennung erlaubt eine schnelle, effiziente und zuverlässige Identifizierung von Identitätsverschleierung und anderen Betrugsverdachtsfällen. Effiziente Erkennung dieser Betrugsmuster trägt zu sinkenden Verlusten und einer höheren Kundenzufriedenheit bei, indem gerade für Neukunden unnötige Ablehnungen durch Falschklassifizierungen vermieden werden.

Big-Data-Potenzialanalyse

 

Um die Chancen, Hürden und Handlungsfelder für den gewinnbringenden Einsatz von Big Data in deutschen Unternehmen zu ermitteln, haben wir mit Förderung des Bundeswirtschafts­ministeriums eine umfangreiche Analyse durchgeführt. Aus einer internationalen Bestandsaufnahme, einer Online-Umfrage unter rund 80 Unternehmen sowie Zukunftsworkshops mit Vertretern unterschiedlicher Branchen konnten wir konkrete Chancen für Unternehmen sowie Handlungsempfehlungen für Wirtschaft, Politik und Forschung identifizieren.