Referenzen

Planungs- und Genehmigungsverfahren sind komplex, ressourcenintensiv und häufig mit langen Bearbeitungszeiten verbunden. Gleichzeitig stehen Behörden und Verwaltungen vor der Herausforderung knapper Personalressourcen. Die Prüfung umfangreicher Antragsunterlagen und die rechtssichere Dokumentation von Entscheidungen verursachen dabei einen hohen Aufwand.

Für das Bundesministerium für Digitales und Staatsmodernisierung (BMDS) hat das Fraunhofer IAIS gemeinsam mit Capgemini und weiteren europäischen Technologiepartnern im Projekt SPARK-API eine modulare Open-Source-Lösung für Planungs- und Genehmigungsverfahren entwickelt. Die KI-Module unterstützen Verwaltungsmitarbeitende von der Strukturierung und Prüfung eingehender Antragsunterlagen über fachliche und rechtliche Prüfungen bis zur Vorbereitung von Bescheiddokumenten.

Die einzelnen Module lassen sich flexibel kombinieren und in bestehende Systeme integrieren. Dabei bleibt die finale Entscheidung über einen Antrag beim Menschen. Dieser Human-in-the-Loop-Ansatz verbindet die Unterstützung durch KI mit menschlicher Entscheidungsverantwortung und nachvollziehbaren Ergebnissen. Als Open-Source-Lösung kann SPARK-API zudem von Verwaltungen nachgenutzt, angepasst und weiterentwickelt werden.

• Wie können KI-Lösungen Planungs- und Genehmigungsverfahren beschleunigen und Verwaltungsmitarbeitende entlasten?
• Wie lassen sich KI-Lösungen so gestalten, dass Ergebnisse nachvollziehbar bleiben und die finale Entscheidung beim Menschen liegt?
• Wie können KI-Module entwickelt werden, die sich auf unterschiedliche Planungs- und Genehmigungsverfahren übertragen lassen?
• Wie lässt sich eine offene KI-Lösung in bestehende IT-Landschaften von Behörden integrieren?

Mehr Infos im Newstext

Die Bundesnetzagentur steht nach Inkrafttreten des EU AI Acts 2024/1689 (KI-VO) als Marktüberwachungsbehörde vor der Herausforderung, insbesondere Hochrisiko-KI-Systeme auf Nicht-Konformität mit den gesetzlich festgelegten Anforderungen und Pflichten prüfen zu müssen. Das betrifft neben der Überwachung von Systemen, die bereits auf dem Markt sind, auch die Prüfung, ggf. Genehmigung und das Testen von KI-Systemen bereits vor der Markteinführung. Die zu überwachenden KI-Systeme sind sehr heterogen und die Komplexität der Überwachungsanforderungen sehr hoch.

Ziel unserer Zusammenarbeit war es, ein strukturiertes Gutachten zu verfassen, das die Bundesnetzagentur bei diesem Vorhaben anleitet. Es sollte Umfang und Gegenstand der KI-Prüfungen untersuchen, technische Anforderungen für die Durchführung unabhängiger Tests formulieren und eine Übersicht geeigneter KI-Prüfwerkzeuge erarbeiten. Daneben wurde das jährliche Prüfaufkommen prognostiziert, um den benötigten Hardwareeinsatz und die laufenden Kosten für eine effiziente Marktüberwachung abschätzen zu können.

• Welche KI-Systeme müssen überwacht werden und wie werden sie ausgewählt?
• Wie können technische und formale Anforderungen der KI-VO effizient geprüft und dokumentiert werden?
• Welche KI-Prüfwerkzeuge und Infrastrukturen können das Prüfpersonal effizient entlasten?

Hagelereignisse verursachen innerhalb weniger Minuten tausende Fahrzeugschäden. Die manuelle Begutachtung durch Sachverständige ist zeitaufwendig, schwer skalierbar und personenabhängig, zugleich müssen die Ergebnisse reproduzierbar und revisionssicher sein, da sie die Grundlage der Schadenregulierung durch Versicherungen bilden.

Gemeinsam mit der HaSt GmbH hat das Fraunhofer IAIS die KI-Engine des mobilen Hagelscanners entwickelt: Fünf Kameras erfassen die Fahrzeugoberfläche beim Durchfahren eines Scanbogens, hybride KI detektiert Hageldellen und klassifiziert sie nach Größenklassen – vollständig offline auf Kleinstrechnern, ohne Cloud-Anbindung und unabhängig vom Umgebungslicht. Der Bogen ist in 30 Minuten auf- und abgebaut; die neueste Generation ist aufblasbar und passt in jeden Kofferraum. Vom ersten Prototyp 2017 bis zum Markteintritt 2022 wurde die Technologie bis heute kontinuierlich gemeinsam weiterentwickelt.

• Wie kann die Begutachtung von Hagelschäden schneller und effizienter erfolgen?
• Wie kann KI eingesetzt werden, damit die Ergebnisse besser reproduzierbar und damit revisionssicherer werden?
• Wie kann die Technologie stetig verbessert und der Scanner mobiler werden?
  
  

Mehr zu ALVISTO

Rundfunkanstalten produzieren und archivieren enorme Mengen an audiovisuellem Material. Täglich fällt ein Verarbeitungsvolumen von rund 2.000 Stunden unstrukturierter Videos an. Dieses Material gezielt zu durchsuchen, wiederzufinden und für die Produktion nutzbar zu machen, ist manuell kaum leistbar.

Gemeinsam mit dem WDR hat das Fraunhofer IAIS die Audio-Mining-Technologie für den Einsatz im ARD-Rundfunkverbund entwickelt. Die Lösung beinhaltet eine automatische Spracherkennung von über 90 Sprachen, eine Transkription mit Sprecherkennung und die Übersetzung ins Englische, wenn gewünscht. So können audiovisuelle Medien nach Informationen wie Zitate, bestimmte Begriffe, Sprecher*innen oder Schlagworte durchsucht werden: Die Verwaltung der Medienbibliothek wird ohne großen Aufwand merklich optimiert. Die Audio-Mining-Technologie ist als On-Premise- oder Cloud-basierte Lösung verfügbar und kann auf individuelle Anwendungsfälle angepasst werden. Beispiele hierfür sind die Verarbeitung dialektaler Sprache oder die Integration von fachspezifischem Vokabular. 

• Wie lassen sich große audiovisuelle Archive automatisch verschlagworten und nach gesprochenen Inhalten durchsuchbar machen?
• Wie kann gesprochene Sprache zuverlässig und mehrsprachig in Text überführt werden – inklusive der Zuordnung, wer wann spricht?
• Wie lässt sich eine solche Lösung datenschutzkonform und flexibel in die bestehende Infrastruktur integrieren?
  
  

Mehr zu Audio Mining

Die Optibelt-Gruppe entwickelt und produziert Antriebsriemen für industrielle Anwendungen. Für Beschaffung, Produktionsplanung und Lagerhaltung ist entscheidend, welche Mengen in den kommenden Monaten abgerufen werden, Umsatzprognosen sind dafür die zentrale Steuerungsgröße. Erstellt wurden sie bislang auf Basis von Erfahrungswerten und manueller Planung.

Ziel der Zusammenarbeit war es, die Umsatzentwicklung aus den vorhandenen Vertriebsdaten mit Machine Learning zu prognostizieren. Grundlage waren die Vertriebsdaten der letzten Jahre: Kundenaufträge, bestellte Mengen und die daraus resultierenden Umsätze. Diese Daten wurden in mehreren Iterationen bereinigt, zusammengeführt und zu Trainingsdaten aufbereitet.

Um das am besten geeignete Prognose-Verfahren zu finden, verglich das Projektteam systematisch mehrere Modellklassen miteinander: von klassischen statistischen Zeitreihenverfahren über baumbasierte Ensemble-Methoden bis zu neuronalen Netzen. Zur Bewertung wurden die Umsatzdaten in Trainings- und Testdaten geteilt. Die Modellgüte beurteilte das Team aus drei Perspektiven: dem Prognoseverlauf im Vergleich zu den Testdaten, einer Residuenanalyse, die systematisches Über- oder Unterschätzen sichtbar macht, und dem Vergleich der kumulierten Gesamtumsätze.

Die Prognosen trafen den tatsächlichen Umsatzverlauf präziser als erwartet: Auf dem Datenstand von Ende 2023 ließ sich die Entwicklung bis in das Jahr 2025 vorhersagen. Die Abweichungen zwischen Prognose- und Ist-Werten blieben dabei minimal, systematische Verzerrungen nach oben oder unten traten nicht auf. Auch im kumulierten Gesamtumsatz lagen Prognose und reale Daten nah beieinander.

Der Vergleich der Modellklassen zeigte zugleich, dass sich die Verfahren in ihren Stärken deutlich unterscheiden und dass die Wahl des passenden Modells für die konkrete Datenlage und den gewünschten Prognosehorizont entscheidend ist.

• Wie genau lassen sich Umsätze mithilfe von Machine Learning aus historischen Vertriebsdaten prognostizieren?
• Welche Modellklassen eignen sich für Zeitreihenprognosen im industriellen Vertriebsumfeld?
• Wie weit im Voraus ist eine belastbare Umsatzprognose möglich?

Redaktionen von Nachrichtenportalen stehen täglich vor der Aufgabe, aus einer Vielzahl eingehender Agenturmeldungen und Artikeln ansprechende Teaser zu formulieren – also die Kombination aus Kicker, Headline und Kurz-Text. Diese Teaser müssen nicht nur redaktionell überzeugen und die Leserinnen und Leser zum Klicken animieren, sondern auch zahlreichen internen formalen Vorgaben folgen (z. B. Zeichenlängen, Zeitform, Schreibweisen). Die manuelle Erstellung ist zeitaufwändig und bindet redaktionelle Ressourcen.

Ziel unserer Zusammenarbeit mit RTL war es, in einem gemeinsamen Projekt zu untersuchen, ob und wie sich die Erstellung solcher Teaser mithilfe großer Sprachmodelle (LLMs) automatisieren lässt. Dabei sollten unterschiedliche methodische Ansätze verglichen, ein belastbares Bewertungsverfahren entwickelt und geprüft werden, ob sich vergleichbare Qualität auch mit ressourcenschonenden, unternehmensintern betreibbaren Modellen erreichen lässt.

Zentrale Fragen

• Lässt sich die Erstellung von Teasern durch ein Sprachmodell automatisieren, und welcher Ansatz (Prompting, Supervised Fine-Tuning oder Reinforcement Learning) liefert die beste Qualität?
• Wie kann die Qualität der generierten Teaser sowohl hinsichtlich Form als auch Inhalt messbar und reproduzierbar bewertet werden?
• Kann ein kompaktes, on-premise betreibbares Modell mit deutlich weniger Parametern in dieser Aufgabenstellung mit sehr großen kommerziellen Modellen mithalten?
   

Mehr Infos in der Pressemitteilung