Data Science

KI-Vorhersagen auf der Spur – oder: Wie ein gutes Uncertainty Management den Umgang mit KI-Modellen erleichtert

Der Umgang mit Unsicherheiten stellt bei der Nutzung von KI-Vorhersagen in vielen Anwendungsbereichen einen entscheidenden Faktor dar. Das gilt insbesondere in der Medizin und beim autonomen Fahren. In der Medizin kann der Umgang mit Unsicherheit dazu beitragen, dass sich KI-Modelle…

Data Quality in Agriculture

Growing the Future: Overcoming Data Quality Problems in Agriculture

Farmers around the world, including in the EU, face many challenges. Their daily work and businesses need to be rethought in order to reduce the negative impact on the environment and achieve a sustainable economy in the long term. For…

Predictive Maintenance umsetzen: Wie geht das?

Predictive Maintenance ist ein proaktiver Instandhaltungsansatz, bei dem vorausgesagt wird, wann Anlagen oder Maschinen wahrscheinlich ausfallen werden, und wodurch Instandhaltungsmaßnahmen entsprechend geplant und eingeleitet werden können. Ziel von Predictive Maintenance ist es, Ausfallzeiten zu minimieren, Instandhaltungskosten zu senken und die…

Causal inference: An introduction on how to separate causal effects from spurious correlations in data

While „correlation does not imply causation“, it is possible to identify causal effects even in data that does not come from randomized controlled trials. Our AI expert, Dr. Julien Siebert, just published a paper (link) on the applications of statistical…

Data Quality Assessment in Agriculture

Data Quality Assessment in Agriculture

Nowadays, it has become almost inconceivable to imagine agriculture without sensors, whether they are simple GPS devices to help farmers optimize their work in the fields, monitor livestock, or more complex equipment allowing advanced monitoring of animals (e.g. animal welfare…

»AI Innovation Labs« als Tool zur zielgerichteten Ermittlung der KI-Tauglichkeit von Unternehmen

KI-Systeme stellen Unternehmen vor große Herausforderungen. Sogenannte »AI Innovation Labs« können dazu beitragen, bestehende Hürden zu bewältigen. Sie sind ein Methoden- und Werkzeugbaukasten, um die richtigen KI-getriebenen Geschäfts- und Anwendungsfälle für Ihr Unternehmen zu identifizieren, Prototypen mit KI-Technologie zu erstellen…

DynaSoS: Dynamische Systems-of-Systems der Zukunft

Zukunftsvision: Dynamische Systems-of-Systems als Systemlandschaften von morgen

Die fortschreitende digitale Transformation stellt die Informatik vor die Herausforderung, immer komplexer werdende Systemlandschaften zu entwerfen. Im Bereich des Software Engineerings werden Digitale Ökosysteme entwickelt, die hauptsächlich darauf ausgerichtet sind, neue Geschäftsmodelle zu erschließen. Im Internet der Dinge treiben Innovationen…

Time Series Analysis: Pattern Recognition

Time Traveling with Data Science: Pattern Recognition, Motifs Discovery and the Matrix Profile (Part 4)

In Part 4 of our Fraunhofer IESE blog series on „Time Traveling with Data Science“, we continue our journey in the field of time series analysis. In this blog post, our experts from Fraunhofer IESE and our guest author Markus…

Agile Machine-Learning-Prozesse für KMU

Agile Machine Learning-Prozesse für KMU

Agile Machine Learning-Prozesse können für kleine und mittelständische Unternehmen (KMU) ein wahrer Erfolgsfaktor sein: Agile Praktiken haben sich als großer Vorteil bei der Entwicklung von Software-Systemen bewährt. Mit dem Wandel zu datengetriebenen Produkten und Dienstleistungen müssen nun jedoch diese Software-Entwicklungsprozesse…

Time Series Analysis: Outlier Detection

Time Traveling with Data Science: Outlier Detection (Part 3)

In our blog series on „Time Traveling with Data Science“, we previously introduced different tasks in time series analysis. In this blog post, we now present the task of Outlier Detection. Outliers are data so different from others that one…