Studien

Die Suche nach einem Parkplatz kostet Zeit und ist zudem eine nicht zu unterschätzende Belastung für die Umwelt. In Kooperation mit dem Unternehmen TomTom wurde in dem vom Bundesministerium für Wirtschaft und Energie (BMWi) geförderten Forschungsprojekt GEISER ein Prototyp für einen intelligenten Parkplatz-Assistenten entwickelt, der Autofahrende schnell zu einem potentiell freien Parkplatz navigieren soll. Dank Verfahren des maschinellen Lernens lernt der Assistent kontinuierlich hinzu und wird, auch wenn anfangs nur wenige Daten vorliegen, mit der Zeit immer zuverlässiger. Im Optimalfall kann die Parkplatzsuchzeit so erheblich verringert werden.

In der »Prioritären Strategischen Initiative (PSI)« bündeln mehrere Fraunhofer-Institute ihre Kompetenzen und forschen zusammen an den Themen Kognitive Systeme, Künstliche Intelligenz und Datensouveränität. Die vorliegende Studie zeigt auf, wie ein Ökosystem für Daten und KI aussehen kann, das eine vertrauensvolle Zusammenarbeit verschiedenster Akteure ermöglicht und die Synergiepotenziale der gemeinsamen Datennutzung ausschöpft. Fraunhofer kann in einem derartigen Ökosystem eine wichtige Rolle übernehmen: als neutraler Moderator und als Motor des Forschungs- und Technologietransfers. Sicher aber auch, um Datennutzung und KI-Einsatz verantwortungsvoll zu gestalten. Denn die Datensouveränität ist nur ein Aspekt eines menschzentrierten und werteorientierten Ansatzes, der im internationalen Wettbewerb zu einem Markenzeichen deutscher und europäischer KI-Lösungen werden soll.

»Learning on the edge« bietet im Vergleich zum Lernen in der Cloud wichtige Vorteile für zahlreiche Anwendungen der Künstlichen Intelligenz – nicht zuletzt durch das datenschutzfreundliche Trainingskonzept und die erheblichen Einsparungen an Kommunikationsaufwand und -kosten. In unserem Whitepaper erklären wir das Prinzip »learning on the edge« am Beispiel des autonomen Fahrens.

mehr Info

In einer Kommune werden viele unterschiedliche Daten produziert, vom Verkehr über den Wasserkonsum bis hin zum Wahlverhalten. Sie werden in Unternehmen, Behörden, Wissenschaftsorganisationen und auf privaten Endgeräten in unterschiedlichen Formaten gespeichert. »Smart« wird eine Stadt aber erst dann, wenn die Daten sicher und vertrauenswürdig vernetzt, für Interessierte auffindbar sowie verständlich gemacht werden. Sie können dann für neue Dienste und Produkte genutzt werden, die das Leben in der Stadt verbessern und idealerweise auch die kommunalen und regionalen Unternehmen stärken, wie Mobilitätsdienste, die mit Hilfe einer guten Datenbasis aktuelle Baustellen, Veranstaltungen, Wetter und Verkehrslagen berücksichtigen.

Um sich ein aktuelles Bild vom Datenmanagement in Kommunen zu machen, hat die Forschungsgruppe der Fraunhofer-Institute für Offene Kommunikationssysteme (FOKUS), für Intelligente Analyse- und Informationssysteme (IAIS) und für Materialfluss und Logistik (IML) die Situation in Bonn, Dortmund, Emden und Köln untersucht. Das Team hat dazu mit Vertreterinnen und Vertretern aus Verwaltungen und kommunalen Unternehmen gesprochen: Die vielfältig vorhandenen Daten sind sehr heterogen und oftmals nicht für die externe Nutzung aufbereitet. So sind sie häufig nicht weiterverwendbar und von weiterführenden Prozessen ausgeschlossen. Zudem fehlt meist ein systematischer Überblick und datenbasierte Geschäftsmodelle werden kaum gefördert. Das wollen die befragten kommunalen Entscheidungsträgerinnen und Entscheidungsträger ändern. Sie gehen davon aus, dass die systematische Nutzung urbaner Daten erheblich zur Verbesserung der Verwaltung und der öffentlichen Angebote, der Arbeits- und Lebensqualität, zu gesteigerten Wachstumschancen und zu mehr Sicherheit und besserer Politikgestaltung führen wird.

Für eine verbesserte Nutzung und größere Verfügbarkeit urbaner Daten empfiehlt die Studie den Kommunen einen individuell ausgestalteten urbanen Datenraum, der auf einen gemeinsamen offenen Plattformkern für urbane Datenräume effizient und kostengünstig aufgesetzt werden kann.

Maschinelles Lernen (ML) ist die Schlüsseltechnologie für kognitive Systeme auf Basis Künstlicher Intelligenz (KI) und damit einer der entscheidenden Faktoren für die globale wirtschaftliche Entwicklung. Grundlegend für eine nachhaltige Positionierung Deutschlands und Europas im internationalen Wettbewerb ist die faktenbasierte Auseinandersetzung mit KI- und ML-basierten Technologien.

Denn es gibt kaum einen Bereich, der nicht von ML- und KI-basierten Technologien entscheidend transformiert wird: von der Güterproduktion über die Logistik bis zur Medizintechnik. Schon die Vielzahl der Einsatzmöglichkeiten ist ein Grund für das öffentliche Interesse. Die Debatte ist jedoch oft von Halbwissen, Vermutungen und Mythen geprägt. Aufklärung ist gefragt, denn die gesellschaftliche Akzeptanz ist für die weitere Verbreitung maschinell basierter Lernverfahren von zentraler Bedeutung.

Hier setzt die im Kontext eines vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Projekts erstellte Studie »Maschinelles Lernen – Kompetenzen, Anwendungen und Forschungsbedarf« an.

• mehr Infos

Ziel dieser Analyse ist es, den aktuellen Stand bezüglich der Marktreife und den Einsatzpotenzialen der KI-Technologien auf dem deutschen und internationalen Markt systematisch zu erfassen. Die Darstellung basiert auf der Analyse einschlägiger Marktstudien und Prognosen, den Ergebnissen von Zukunftsworkshops mit Vertretern ausgewählter Anwendungsbranchen (Callcenter, Gesundheitswesen und industrielle Produktion) sowie einer Untersuchung der nationalen und europäischen Projektförderung im Bereich der Künstlichen Intelligenz.

Für die KI-Systeme »Autonome Roboter«, »Autonome Transportmittel«, »Smarte Geräte« und »Kognitive Assistenten« werden bedeutende Marktsegmente und zentrale Akteure aus der Wissenschaft und Wirtschaft identifiziert. Die Anwendungsbeispiele (»Use Cases«) zeigen den Einsatz von KI-Kompetenzen in konkreten Produkten aus den jeweiligen Branchen sowie die laufenden Forschungsaktivitäten anhand ausgewählter Projekte der Fraunhofer-Institute auf.

• mehr Infos

Durch die digitale Transformation von Unternehmen und Gesellschaft fallen immer größere Datenmengen an, die immer schneller verarbeitet werden müssen – etwa zur Echtzeitanalyse von Nachrichtenströmen, zur Optimierung von Produktions- und Wartungsprozessen in der Industrie 4.0 oder zur dynamischen, situativen Steuerung von Dienstleistungen. Dazu sind einer­ seits Lösungen gefragt, die den Anforderungen von interaktiven oder mobilen Applikationen gerecht werden und sehr schnell reagieren. Andererseits müssen moderne Systeme große Datenmengen schnell und explorativ analysieren und wichtige Informationen extrahieren können.

»In-Memory«-Systeme unterstützen diese Anforderungen durch besonders kurze Datenzugriffszeiten. Durch die konsequente und intelligente Nutzung des Arbeitsspeichers als Datenspeicher können neuartige Anwendungen mit einer besonders hohen Verarbeitungsgeschwindigkeit realisiert werden. Die Studie zeigt, dass der Trend zu In-Memory-Systemen weder eine kurzfristige noch eine nur vorrübergehende Erscheinung ist. Vielmehr ist ihr Einsatz durch den stetig fallenden Preis schneller Speichertechnologien möglich geworden. Viele Hersteller von Datenbanklösungen und Analysesoftware haben darauf reagiert und ihre Produkte um In-Memory-Funktionalitäten erweitert. Die Liste der am Markt verfügbaren, arbeitsspeicheroptimierten Softwarelösungen ist lang und wächst kontinuierlich.

Die 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.

Im Kontext des THESEUS-Programms haben wir eine vom Bundesministerium für Wirtschaft und Technologie (BMWi) geförderte Analyse zu Nutzung und Potenzial für Big Data in deutschen Unternehmen durchgeführt. Ziel war es, Handlungsoptionen für Wirtschaft, Politik und Forschung aufzuzeigen und in individuellen Roadmaps die Anforderungen verschiedener Branchen an Big-Data-Lösungen und künftige Anwendungsfelder zu identifizieren.

Das Projekt umfasste drei Säulen:

• eine internationale Recherche zum Umgang mit Big Data, zu Forschungsaktivitäten und konkreten Anwendungen
• eine Onlinebefragung unter Unternehmen
• Workshops mit Vertretern unterschiedlicher Branchen

Damit sich Unternehmen aktiv mit Big-Data-Analytics-Lösungen vertraut machen können, haben wir am Fraunhofer IAIS außerdem das »Living Lab Big Data« entwickelt. Mit Hilfe dieser Experimentierplattform können vor allem KMU über Schulungen in kurzer Zeit Know-how zum Thema Big Data aufbauen.

• mehr Infos