Profitieren Sie von unserer

Expertise

Unsere Arbeitsgebiete

Aus der Praxis – für die Praxis

Die digitale Transformation schreitet in großen Schritten voran und bietet unzählige Anwendungsmöglichkeiten. Hier präsentieren wir eine Auswahl an Themengebieten, die wir besonders spannend finden und mit denen wir uns intensiv beschäftigen.

Big Data Analytics / Künstliche Intelligenz

…aber bisher nicht zu fragen wagten. Mit Data Science bekommen Sie die Antworten. Data Science befasst sich mit der automatisierten Gewinnung von Wissen und bildet die Schnittstelle von Statistik / Mathematik, Informatik und Domänenwissen. Der Prozess der Wissensgewinnung startet auf unterster Ebene mit nicht mehr als einer Menge von Daten mit dem Ziel, daraus Informationen zu gewinnen und diese weiter zu Wissen zu veredeln. Maschinelle Lernverfahren kondensieren förmlich riesige Mengen an Rohdaten zu kompaktem, operativem Wissen ‒ zu Modellen, Mustern oder Erkenntnissen. Die Künstliche Intelligenz stellt hierfür verschiedene Lernverfahren und eine Vielzahl an Algorithmen zur Verfügung, wie beispielsweise Clusterverfahren, Künstliche Neuronale Netze oder Support Vector Machines. Sie können sowohl auf strukturierten als auch unstrukturierten Daten arbeiten und in unterschiedlichsten Anwendungsfällen zum Einsatz kommen: von Predictive Maintenance über Sales Forecasts, Warenkorbanalysen und noch vielen weiteren.

Gerne unterstützen wir Sie bei der Umsetzung Ihres Data Science Projekts: der Definition des Projektes, der Selektion und Vorverarbeitung der Eingangsdaten, der zielgerichteten Wahl geeigneter Algorithmen und natürlich auch der Analyse der Ergebnisse.

Maschinelle Lernverfahren benötigen allerdings Daten, um daraus neues Wissen ableiten zu können; große Mengen an Daten. Für das operative Doing im Data Science Prozess müssen die Daten in geeigneten Systemen vorgehalten und verarbeitet werden. Themen und Aufgaben des Data Engineering sind dementsprechend die Identifikation einzusetzender Datenbanken, Formen der Virtualisierung oder auch die Frage, ob Cloud-Computing genutzt werden soll.

Gemeinsam finden wir die optimale Infrastruktur für Ihr Data Science Projekt.

Expertise
Mass Customization

Mass-Customization als neues Produktionskonzept verbindet die Individualität der Einzelfertigung mit der Effizienz der Massenfertigung. Kundenindividuelle Anforderungen können mit maßgeschneiderten Produkten erfüllt werden, ohne dabei auf die hohe Präzision und die niedrigen Kosten der Massenfertigung verzichten zu müssen. Die Vorteile des Ansatzes liegen klar auf der Hand: Neue Kunden können gewonnen und höhere Margen erzielt werden.

Variantenvielfalt und Individualisierung haben aber auch ihren Preis und gehen mit hoher Komplexität einher, erfordern ein modularisiertes Produktportfolio und angepasste Prozesse. Ins Zentrum des Interesses rückt dabei der Konfigurationsprozess mit seiner Kernkomponente, dem Konfigurator. Basierend auf einer Produkt-Wissensbasis ermöglicht er es, interaktiv das gewünschte Produkt zu entwerfen. Technisches Spezialwissen ist dafür nicht nötig. So gelangen Vertriebsmitarbeiter und sogar Kunden auch ohne die Hilfe von Produktingenieuren schnell zu ‚ihrem‘ Produkt. Der Konfigurator stellt dabei sicher, dass valide Spezifikationen erstellt werden, senkt die Fehlerquote und reduziert die Lead Time.

Die Adaption der involvierten Prozesse wie auch die Erstellung der Wissensbasis sind jedoch komplex und erfordern aufwändige Analysen. Der Einsatz von Methoden der künstlichen Intelligenz kann dabei ein entscheidender Schlüssel zum Erfolg werden und Teile der Wissensbasis automatisiert generieren.

Knowledge Management

Unter Wissensmanagements wird allgemein der planmäßige Umgang mit der Ressource Wissen verstanden. Konkret fallen darunter alle Tätigkeiten und Managementaufgaben, die dem Erwerb, der Speicherung, insbesondere aber auch der Nutzung und dem Transfer von Wissen dienen. Ein wichtiger Aspekt des Wissensmanagements ist die Frage, wo verteiltes Wissen abgelegt wird und wie es effizient wieder auffindbar und nutzbar gemacht werden kann – dies könnte eine Suche in Dateiablagen, in klassischen Aktenordnern oder in den Köpfen der Mitarbeiter sein.

In der heutigen Industrie ist Wissen ein wichtiges Kapital, welches effektiv und gewinnbringend einzusetzen ist. Nur so lässt sich ein Wissensvorsprung gegenüber den Mitbewerbern erreichen. Dabei ist mühsames Suchen nach Daten, Informationen oder Wissen zu vermieden. Dies gilt vor allem angesichts der Digitalisierung von Industrieumgebungen und dem verstärkten Aufkommen Cyber-Physischer Systeme und Big Data. Auch der Austausch und die Vernetzung zwischen Mensch und Maschine im Sinne einer intelligenten Fabrik und einer veränderten Arbeitsweise eines modernen Wissensarbeiters sind dabei zu berücksichtigen. Schließlich stellt sich die Aufgabe, alle aus Sicht des Wissensmanagements durchgeführten Schritte auf den industriellen Lebenszyklus abzustimmen, um so die Prozesse zu unterstützen und im Idealfall zu optimieren.

Die Zusammenführung von implizitem Mitarbeiterwissen, auch als Erfahrungswissen bezeichnet, und explizitem, digital abgelegtem Wissen in einer Wissensbasis zur Unterstützung einer intelligenten Fertigung sind Herausforderungen welchen sich Industrieunternehmen aktuell stellen müssen. Wissensmanagement unterstützt hier bei der Vernetzung oder dem Wissenstransfer, um so neue Zusammenhänge und Lösungen ableiten zu können oder die Ressource Wissen in neue Prozesse zu integrieren.

Digitalisierung und Industrie 4.0
Chancen der Digitalisierung nutzen

Der zunehmende Bedarf an individualisierten Produkten, Preisdruck, kurzfristige Lieferfähigkeit und hohe Qualitätsansprüche sind Gründe, die Unternehmen zwingen, ihre Arbeitsweise, ihre Prozesse und ihre Geschäftsmodelle grundsätzlich zu hinterfragen. Die in der Vergangenheit genutzten Ansätze der Effizienzsteigerung, Automatisierung und Prozessoptimierung stoßen zunehmend an Grenzen.  Die Herausforderungen liegen in der Beherrschung stark wachsender Komplexität bei gleichzeitiger Effizienzsteigerung und Flexibilisierung. Hier greifen die in den letzten Jahren intensiv diskutierten und inzwischen zur Umsetzungsreife entwickelten Lösungen aus dem Umfeld von Industrie 4.0 und dem Internet of Things (IoT).

Eine Industrie 4.0-Strategie kann unterschiedliche Bereiche umfassen. Naheliegend ist die Nutzung von Lösungen im eigenen Unternehmen, um Prozesse zu verbessern und Komplexität zu beherrschen. Methodisch sind hier z.B. Data Analytics, Machine Learning, Knowledge Management und Digital Twins relevant. Es gilt, die Möglichkeiten bestehender Lösungen und Methoden aus unterschiedlichen Gebieten der Informationsverarbeitung schnell, sicher und robust zu einer sinnvollen und beherrschbaren Systemarchitektur zu kombinieren. So lassen sich die vorhandenen Potenziale verlässlich und ohne großes Risiko heben.

Entscheidend ist es, einerseits ein klares Zielbild zu entwickeln und andererseits in kleinen gut beherrschbaren Schritten zum Ziel zu kommen. Für die nachhaltige Implementierung einer IoT-Strategie ist ein leistungsfähiges Netzwerk aus Partner ebenso wichtig wie der Aufbau des Wissens im eigenen Unternehmen über alle Hierarchiestufen hinweg.

Für viele Unternehmen ist aber auch die digitale Veredelung der Produkte von großer Bedeutung, um damit bei Kunden ein neues Einsatzgebiet zu schaffen und dadurch hohen Nutzen zu erzeugen. Das ermöglicht den Einstieg in neue, attraktive und zukunftsfähige Geschäftsmodelle.

Unser Spektrum reicht von der Entwicklung der IoT-Strategie über die Unterstützung beim Aufbau einer leistungsfähigen Systemarchitektur bis zur Realisierung von Lösungen. Das können sowohl erste Proofs of Concept sein als auch umfassende Lösungen mit Integrationen zur bestehenden Systemlandschaft.

Knowledge Graphs

Knowledge Graphs sind ein modernes Datenbank-Paradigma, um Informationen strukturiert abzulegen und damit  Wissensgewinnung zu ermöglichen. Entitäten in Form von Knoten stehen über Kanten in Beziehung zueinander, beide Objekttypen können mit Attributen weiter beschrieben werden.

Als innovative und vielversprechende Technologie hat sie in Forschung, Wirtschaft und Industrie große Aufmerksamkeit erlangt und wird bereits in verschiedensten Anwendungsbereichen eingesetzt. Sprachassistenzsysteme, die in jeder Minute Dienste für Millionen von Nutzern weltweit anbieten, wären ohne Knowledge Graphs und die damit verbundenen Technologien undenkbar. Ein wesentlicher Vorteil der Technologie ist es, strukturierte und unstrukturierte Daten zu verknüpfen, zu integrieren und zu harmonisieren, eine höhere Datenqualität zu liefern und die Einschränkungen und Probleme innerhalb von Unternehmen und Organisationen durch isolierter Datensilos, heterogener Datentypen und verschiedener Datenquellen zu lösen.

Knowledge Graphs und die damit verbundenen Methoden des maschinellen Lernens bilden die Infrastruktur und das Rückgrat für die nächste Stufe der künstlichen Intelligenz, die in den kommenden Jahren Billionen-Werte schaffen wird.

Weitere beispielhafte Anwendungen sind das Internet of Things, Smart Cars, Smart Factories oder Smart Offices, wo sie u. a. zur Wartung, Fehlervorhersage oder auch Logistik eingesetzt werden. Darüber hinaus sind Knowledge Graphs integrale Bestandteile wissensbasierter Systeme (Knowledge Representation and Reasoning), der semantischen Suche (Online Shops oder Empfehlungssysteme), im Natural Language Processing oder auch bei Dialog- und Assistenzsystemen (Question Answering, Voice Assistance, Chat Bots).

ingenioFactum unterstütz Sie dabei, Knowledge Graphs aufzubauen und von den damit verbundenen Technologien zu profitieren. Erfahren Sie von uns alles über Graph Datenbanken wie Neo4J, das Semantic Web und seinen Sprachen wie OWL, RDF oder SWRL; aber natürlich auch KI und maschinellem Lernen auf Knowledge Graphs mittels eingebetteter Modelle, Python, PyTorch.

Model Based System Engineering

Modellbasiertes Systems Engineering (MBSE) ist eine neue, ganzheitliche Methodik des Systems Engineerings. Das zu entwickelnde System wird nicht mehr ausschließlich durch Textdokumente beschrieben („Prosa“), sondern deutlich effektiver und effizienter durch strukturierte Modelle, typischerweise auf Basis der UML- oder SysML-Spezifikation.

System Engineering ist ein interdisziplinäres Gebiet, das sich mit allen involvierten Aspekten des Entwurfs und der Implementierung komplexer Systeme sowie deren Management befasst: von der Erfüllung der vom Kunden gewünschten Anforderungen, der Projektspezifikation, der Zeit- und Budgetbetrachtung, über die Aufteilung des Systems in Teilsysteme und die Implementierung, gefolgt von Integration, Test, Verifikation und Validierung und schließlich dem Endprodukt. Es umfasst auch die kontinuierliche Überwachung auf allen Ebenen, um bessere Fortschritte und eine effizientere Problemlösung zu fördern.

Die rasche Marktentwicklung sowie die schnellen technischen und technologischen Fortschritte haben dazu geführt, dass Projekte und Systeme in Umfang und Komplexität so schnell wachsen, dass traditionelle Ansätze des System Engineerings an ihre Grenzen stoßen. MBSE ist der holistische State of the Art Engineering-Ansatz, um diese Komplexität zu bewältigen, Skalierbarkeit zu erreichen, Konsistenz zu wahren, Rückverfolgbarkeit während der Systementwicklung zu gewährleisten und am Ende den Erfolg sicherzustellen. Untersuchungen verschiedener Projekte haben gezeigt, dass MBSE die Entwicklungskosten von Projekten um bis zu 55% reduziert hat.

Bei ingenioFactum finden Sie Unterstützung zu einem breiten Spektrum an MBSE-Ansätzen. Wir ermöglichen es Ihnen, MBSE in Ihrer Organisation zu verankern und stellen Ihnen unser professionelles Fachwissen über MBSE, bewährte Ansätze und die dazugehörige Infrastruktur zur Verfügung. Natürlich schulen wir Sie auch in den benötigten Technologien, wie domänenspezifischen Sprachen (Xtend, Xtext), der Modellierung (UML, SysML, PlantUML) und den entsprechenden Werkzeugen (MATLAB / Simulink, Mathematica, R, Python).