KI-Werkstatt

HCKIS II

Human-Centered KI-System

Im Rahmen des Projekts wird ein Human-Centered KI-Arbeitsplatz (HCKIS) entwickelt, bei dem verschiedene Abstrahierungsebenen der Künstlichen Intelligenz zum Einsatz kommen. Ziel ist es, eine intelligente und interaktive Zusammenarbeit zwischen Mensch und smart vernetzten Maschinen auf verschiedenen Ebenen zu ermöglichen. Durch den gezielten Einsatz von Künstlicher Intelligenz (KI) soll ein Produkt in Interaktion mit KI, Roboter und Mensch gefertigt werden. Hierbei soll die KI nicht nur autonom agieren, sondern auch flexibel auf menschliche Interaktionen reagieren können.

Das zentrale Ziel des Vorhabens besteht darin, die Kooperation im Bereich vernetzter Künstlicher Intelligenz zu intensivieren und zugleich interdisziplinäre Anknüpfungspunkte innerhalb eines Prozesses zu schaffen. Die KI erfüllt hierbei mehrere Aufgaben. Ein LLM-Modell fungiert als eigenständiger Agent, der bei Bedarf eingreift und die an den Arbeitsplatz angeschlossen Systeme ansteuern kann.

Konkret wird im Rahmen der Entwicklung eines gemeinsamen Technologieträgers ein Szenario geschaffen, an dem neue Innovative Ideen für das zukünftige Arbeiten erprobt werden sollen. Der 360° KI-Arbeitsplatz dient als Demonstrationsplattform für aufeinander aufbauende KI-Methoden, insbesondere im Bereich der echtzeitbasierten Prozessanalyse und Qualitätssicherung. 360° bedeutet hier, dass der Mensch vollumfänglich von KI-Systemen bei einem Fertigungsauftrag assistiert wird. Hier sollen innovative Konzepte erprobt werden, die eine präzisere, effizientere und adaptivere Steuerung von Produktions- und Fertigungsprozessen ermöglichen. Damit leistet das Projekt nicht nur einen wichtigen Beitrag zur Weiterentwicklung smarter Produktionssysteme, sondern eröffnet auch neue Perspektiven für die Mensch-Maschine-Interaktion in einer zunehmend digitalisierten Arbeitswelt.

KI-Sustain

KI for Sustainable Plastics – enabling circularity

Verschärfte Vorgaben diverser Verordnungen, wie der Gewerbeabfallverordnung (GewAbfV), dem Verpackungsgesetz (VerpackG) oder der Altfahrzeugverordnung (AltfahrzeugV) verfolgen das Ziel die Verbrennungsmengen von Abfällen zu senken und werkstoffliche Recyclingquoten zu erhöhen. Für Kunststoffverpackungen, die derzeit knapp 60 % der Gesamtmenge an Siedlungsabfällen ausmachen, sieht das neue VerpackG eine werkstoffliche Verwertung von min. 55 % bis 2030 vor. Nach heutigem Stand werden jedoch aus ökonomischen Gründen 53 % der Leichtverpackungs- (LVP)abfälle in Müllverbrennungsanlagen oder als Ersatzbrennstoff in Zementwerken überführt. Zurückgewonnene, sortierte Kunststoffballen sind häufig fehlerbehaftet. Resultierendes qualitativ niederwertiges, graues, riechendes Regranulat findet überwiegend in der Bauindustrie und Agrarwirtschaft seinen Einsatz. Konkretes Ziel von KI-Sustain ist mittels Künstlicher Intelligenz (KI) die Nutzbarkeit von Kunststoffrezyklaten aus Siedlungs- und Gewerbeabfällen durch eine optimierte Sortenreinheit zu steigern, um Kreisläufe in der Kunststoffwirtschaft zu schließen und Recyclingquoten zu erhöhen.

SKIPS

Einsatz von KI in der Planung, Budgetierung und Forecasting

Ziel des Projekts SKIPS ist es, Künstliche Intelligenz (KI), insbesondere Machine Learning (ML) und Neuronale Netze (NN), in die Controlling-Prozesse von kleinen und mittelständischen Unternehmen (KMU) zu integrieren. Durch die Nutzung externer Datenquellen wie Markttrends und Wirtschaftsdaten soll die Prognosegenauigkeit deutlich verbessert werden. Der innovative Ansatz ermöglicht es, interne Daten effizient zu nutzen und komplexe Zusammenhänge zu erkennen. Dies steigert die Effizienz von Planungs- und Budgetierungsprozessen, was zu Zeit- und Kosteneinsparungen führt und die Entscheidungsfindung in KMUs nachhaltig verbessert.

FIAZ 2.0 

Interpretrierbare Anomalieerkennung für Nachhaltigkeit in Energie-, Wasser und Kreislaufwirtschaft

Die vorzeitige Identifikation ungewöhnlicher Betriebsmuster in den Bereichen Energie, Wasser und Kreislaufwirtschaft gestattet die Erhaltung eines nachhaltigen und umweltfreundlichen Betriebs technischer Anlagen. In der Praxis erfolgt die Selektion eines KI-Modells nicht ausschließlich anhand von Gütekennzahlen, sondern auch unter Berücksichtigung der Nachvollziehbarkeit und folglich implizit auch der Vertrauenswürdigkeit der Modelle. Das Projektziel besteht in der Entwicklung KI-Verfahren zur Anomalieerkennung in industriellen Zeitreihen, welche zum einen leistungsfähig sind, zum anderen aber auch Interpretierbarkeit gewährleisten.

SuReQA

Deep Learning Super Resolution für eine verbesserte Abbildung feinster Strukturen in der industriellen Qualitätssicherung

Technisch soll das Verfahren aus zwei Modulen realisiert werden. Zum einen aus einer Adaption eines deep learning-basierten Super Resolution Netzwerks für die Materialmikroskopie und zum anderen, je nach Anwendungsfall, einem spezifischen Convolutional Neural Network zur Segmentierung oder Defekterkennung in Werkstoffen. Zunächst wird die Mikroskopieaufnahme mit niedriger Auflösung mit Hilfe des Super Resolution Netzwerks um einen gewählten Skalierungsfaktor erhöht (z. B. Faktor 4). Beispielsweise bei der Korngrenzenbestimmung von Kupfer werden dadurch feine, schlecht aufgelöste Korngrenzen deutlicher, was ihre Identifizierung vereinfacht.

AMI

Allgemeine Multimodale Inspektion mittels Generative Pre-Trained Transformer

In industriellen Anwendungen sind klassische Computer Vision-Systeme aufgrund fehlender Trainingsdaten oft die einzige praktikable Lösung. Ihre Entwicklung ist jedoch zeit- und kostenintensiv, da sie tiefes Fachwissen und viele Kommunikationsschleifen zwischen Programmiererinnen und Domänenexpertinnen erfordert. Gleichzeitig steigt der Bedarf an flexiblen, visuell anpassbaren Bildverarbeitungslösungen – insbesondere für kleine und mittlere Unternehmen. AMI zielt darauf ab, diese Lücke zu schließen: Mithilfe multimodaler KI, die Text und Bild kombiniert, werden aus wenigen Beispielen automatisch verständliche und bearbeitbare Bildverarbeitungs-Workflows erzeugt. So wird es erstmals möglich, komplexe visuelle Prüfaufgaben ohne Programmierkenntnisse effizient zu lösen und flexibel anzupassen – für eine zugängliche, erklärbare und zertifizierbare industrielle Bildverarbeitung.