Im Master Wirtschaftsinformatik und Wirtschaftsingenieurwesen führen die Studierenden im Rahmen der Veranstaltung Angewandte Künstliche Intelligenz ein Projekt durch. Ziel ist es, zu einer aktuellen Problemstellung der Künstlichen Intelligenz in Teams Lösungen zu erarbeiten.
Im Wintersemester 2021/2022 arbeiteten drei Projektteams zusammen mit den Partnerunternehmen Körber Digital, Zana Technologies und econda an KI-Fragestellungen aus der Praxis in den Bereichen Manufacturing, Healthcare und E-Commerce.
Projekt „Modellierung von Fabrikbedingungen – eine Wettervorhersage für Innenräume“
Kann man das Wetter in Innenräumen – genauer gesagt in einer Fabrik – vorhersagen? Dieser Frage ging ein studentisches Team in ihrem KI-Projekt zusammen mit dem Partnerunternehmen Körber Digital nach. Die Umgebungsbedingungen in einer Fabrik können großen Einfluss auf die Produktion haben. Die Mitarbeiter*innen in der Fabrik müssen diese bei der Einstellung der Maschinen berücksichtigen. Ziel des Projekts war es herauszufinden, welchen Einfluss die Außentemperatur auf die Temperatur und andere Umgebungswerte in einer Fabrik hat. Und ob die Temperatur in einer Produktionshalle über die Außentemperatur vorhergesagt werden kann. Die gewonnenen Erkenntnisse dienen als Grundlage zur Optimierung von Produktionslinien.
Im Verlauf des Projekts wurde der Zusammenhang und die Abhängigkeiten zwischen Wetterdaten außerhalb einer Fabrik und den Temperaturen innerhalb einer Fabrik betrachtet. Dafür analysierte und bereinigte das Team die zur Verfügung gestellten Daten einer Fabrik und führte sie mit zusätzlichen externen Wetterdaten zusammen. Danach trainierten und evaluierten die Studierenden unterschiedliche Modelle, um mittels Wettervorhersage Empfehlungen für Maschineneinstellungen aufgrund der damit zusammenhängenden Temperatur in der Fabrik geben zu können. Dabei galt es zu berücksichtigen, dass die zeitabhängigen Daten das Modelltraining nicht verfälschen. Zusätzliche typische Herausforderungen in der Praxis, denen die Studierenden im Projekt begegneten, stellten Ausreißer und Lücken in den Daten dar. Im letzten Schritt erarbeitete das Team, inwieweit in die Zukunft sinnvolle Vorhersagen getroffen werden können.
Projekt „Symptomerkennung in Berichten von Patient*innen“
Mit dem Projekt „Symptomerkennung in Berichten von Patient*innen“ soll das Leben von Patient*innen mit Herzinsuffizienz und deren Pflegepersonal erleichtert werden. Das Partner-Startup Zana Technologies hat dafür die App „Tidda Care“ entwickelt. Diese hält Tagespläne, Langzeitentwicklung und Patienten-Leitlinien bereit, um so den Patient*innen mit Herzinsuffizienz durch den Alltag zu helfen. Noch heute dokumentieren viele ihr Patiententagebuch per Hand auf Papier. Dies bedeutet viel Arbeit für die Pflegekräfte und führt zu einer zeitlich verzögerten Aufnahme der Symptome und Probleme der Patient*innen. Durch eine Digitalisierung dieses Tagebuchs könnte für das Pflegepersonal eine Zeitersparnis und für den*die Patient*in eine verbesserte Behandlung erzielt werden. Ziel des Projekts war daher die Entwicklung einer automatischen Symptomerkennung aus Freitexteingaben von Herzinsuffizienzpatient*innen.
Im ersten Schritt befassten sich die Studierenden damit, den vorhandenen Datensatz von Symptombeschreibungen und zugeordneten Symptomgruppen zu vergrößern. Beispielsweise wären die Beschreibungen „Ich kann mich kaum wachhalten“ oder „Ich komme morgens nicht aus dem Bett“ der Symptomgruppe „Erschöpfung“ zuzuordnen. Hierfür wandten die Studierenden unterschiedliche Methoden der Datenerweiterung an. So konnten sie neue Daten gewinnen und den Datenbestand für das nachfolgende Training vergrößern. Um die Beschreibung von Beschwerden der Patient*innen bestmöglich den Symptomgruppen zuordnen zu können, wendete das Team im zweiten Schritt sechs verschiedene Klassifizierungsalgorithmen an und verglich die Ergebnisse miteinander.
Projekt „Produktempfehlungen mit der Handykamera“
Ziel des Projektes war es, eine Applikation zu entwickeln, mit der Onlineshopper*innen mit der Handykamera o.ä. ein Bild aufnehmen können und dann passende Empfehlungen vorgeschlagen bekommen. Mit einer personalisierten Auswahl in Echtzeit soll das Kundenerlebnis in den vom Partnerunternehmen econda betreuten Onlineshops verbessert werden. Dafür galt es eine Lösung zu entwickeln, die aus einem aufgenommenen Foto notwendige Bildinformationen extrahiert und die Ähnlichkeiten zwischen dem Eingabebild sowie dem bestehenden Produktfeed der jeweiligen Onlineshops ermittelt.
Im Zuge des Projekts wurden für die Umsetzung geeignete Frameworks und Methoden der künstlichen Intelligenz, wie Convolutional Neural Networks und Nearest Neighbor, identifiziert und evaluiert. Aufgrund der Vielzahl vorliegender Produktbilder musste das Team auch passende Wege finden, um eine möglichst performante Lösung zu erstellen. Der erstellte Lösungsansatz umfasst daher eine mehrstufige Systemarchitektur, die das Eingabebild in eigens erstellte Bildkategorien klassifiziert, ehe die notwendigen Bildfeatures für die Berechnung der Bildähnlichkeiten extrahiert werden. In der weiteren Betrachtung prüften die Studierenden auch, für welche Art von Onlineshops bzw. welche Produktarten diese Art der Bilderkennung besonders gut geeignet ist.