Forschung

Referenzprojekte

Forschungs- und Innovationszentrum FIT4BA

 
Big Data und künstliche Intelligenz: Welche Potenziale bestehen für Unternehmen?

Im Sinne der Strategie unserer Hochschule für Angewandte Wissenschaften unterstützen wir gemeinsam mit wissenschaftlichen Partnern Unternehmen bei der Generierung von Mehrwerten mithilfe von Vorgehensmodellen und Methoden der Künstlichen Intelligenz.

Datenanalyse FITAPP

Projektinhalt

FITAPP ist ein österreichisches Start-up, das 2016 gegründet wurde und eine komplette Fitnessplattform anbietet. Eines der Hauptmerkmale der FITAPP-Plattform ist die soziale Komponente, bei der die Nutzerinnen und Nutzer miteinander interagieren und sich gegenseitig motivieren können. Da der europäische Markt für Fitnessapplikationen weitgehend gesättigt ist, gelang es FITAPP insbesondere in Brasilien signifikante Marktanteile zu gewinnen.

Das Hauptproblem, mit dem das Unternehmen konfrontiert ist, ist die geringe Anzahl der bezahlten Abonnements im Verhältnis zur Anzahl der Downloads. Darüber hinaus führt nur ein wirklich winziger Bruchteil der Benutzerinnen und Benutzer (etwa drei Prozent) die App 30 Tage nach dem Download aus. Ein drittes Problem besteht in der großen Anzahl nicht registrierter Benutzerinnen und Benutzer, von denen keine Daten gespeichert werden.

Das langfristige Ziel des Projekts ist es, die Zahl der bezahlten Abonnements zu erhöhen. Daher zielt die Analyse der vorhandenen Daten darauf ab, nützliche Informationen über das Kundenverhalten zu finden, die in einem nächsten Schritt in spezifische Marketingstrategien umgesetzt werden können.

Bilderkennung mittels neuronaler Netze für Landwirt.com

Projektinhalt

Mehr als 1.600 Händler aus ganz Europa bieten über 70.000 Landmaschinen und Traktoren auf Landwirt.com an, das mit über zwei Millionen Unique Clients zu den führenden Internetportalen Österreichs zählt.

Ziel des Projekts ist es, das Erstellen von Anzeigen durch die Kundinnen und Kunden von Landwirt.com zu vereinfachen. Zu diesem Zweck soll ein künstliches neuronales Netz beim Erstellen eines Inserats die hochgeladenen Bilder möglichst genau nach Maschinentyp, Marke und eventuell sogar Modell klassifizieren. Mithilfe dieser Klassifizierung können den Kundinnen und Kunden dann wesentliche Teile des Inserats automatisiert bereitgestellt werden. Des Weiteren sollen durch die Bilderkennung Inserate entdeckt werden, die fälschlicherweise in unpassenden Kategorien aufgegeben wurden. Dies kann einerseits dazu dienen, den Nutzerinnen und Nutzern unterstützend zur Seite zu stehen, andererseits kann dadurch auch möglicher Betrug vereitelt werden – sind doch manchmal Maschinen, deren Verkauf kostenpflichtig wäre, in kostenlosen Inseratkategorien zu finden.

Wissenschaftlich begleitet wird das Projekt von Expertinnen und Experten der Know-Center GmbH, die ihr Wissen beim Erstellen der CNNs (Convolutional Neural Networks) beisteuern.

Erfahren Sie mehr zum Projekt im Blogbeitrag.

Erkundungen zur Vorhersage der Bevölkerungsentwicklung der Stadt Graz

Projektinhalt

Im Rahmen dieses Pilotprojekts werden verschiedene Methoden zur Prognose der Bevölkerungsentwicklung unter besonderer Berücksichtigung der Schülerzahlen untersucht und verglichen. Die Prognose erfolgt nach Alter und weiteren Kenngrößen (zum Beispiel Geschlecht) aufgeschlüsselt zumindest auf Ebene der Bezirke. Eine wesentliche Fragestellung lautet, inwiefern eine feingranulare Analyse auf Basis von Zählsprengeln möglich und sinnvoll ist.

Als Datenquelle dienen das lokale Melderegister, die Schulpflichtmatrik und Unterlagen zur Nachmittagsbetreuung, wobei die Daten nur pseudonymisiert betrachtet werden und auch sonst auf alle Aspekte des Datenschutzes streng geachtet wird. Für die Untersuchungen kommen neben Standardmethoden der multivariaten Statistik auch Ansätze aus den Bereichen System Dynamics, das heißt Modellierung mit Differenzialgleichungen, möglicherweise agentenbasierte Ansätze und auf jeden Fall Machine-Learning-Methoden wie etwa künstliche neuronale Netze zum Einsatz.

Ziel der Forschung ist es, die verschiedenen Ansätze zu vergleichen und die am besten geeignete Methode zur Erstellung zukünftiger Prognosen für einen Zeithorizont von zwanzig Jahren zu identifizieren. Eine spätere Implementierung dieser Methode, die nicht mehr Teil des Pilotprojekts ist, sollte es erlauben, Prognosen nicht nur zu erstellen, sondern auf Basis neuer Daten regelmäßig zu aktualisieren. Derartige dynamische Prognosen können die Stadt Graz dabei unterstützen, Infrastrukturmaßnehmen zielgerichtet zu planen.

ÖBB Radsatzanalyse

Projektinhalt

Das Pilotprojekt der ÖBB dient der Radsatzanalyse verschiedener Railjet-Garnituren. Im ersten Teil des Projekts wurden verschiedenen „Werks- und Service-Daten“ bereinigt (Data Cleaning), welche darauffolgend aufbereitet wurden (Data Extension), um eine Analyse der Radsatz-Messungen durchzuführen. Für das Datenverständnis und für das Erkennen von Zusammenhängen wurden diese grafisch aufbereitet. Dabei gab es folgenden Entwicklungsschritte: Stichprobenplots, Aggregatplots und Pairplots.

Im nächsten Schritt wurde modelliert und ausgewertet. Zur Modellierung der Abnutzung der Radsätze der Railjet-Garnituren wurde die Methode der Mehrfachregression angewandt. Da die manuelle Auswertung einer derart hohen Modellanzahl impraktikabel und fehleranfällig wäre, wurden zudem zwei Tools zur automatisierten Auswertung in Python entwickelt. Zum einen ein Tool, das die Menge der Modelle in zwei Teilmengen zerlegt und aus den MSE der Einzelmodelle mehrere aggregierte Kennzahlen zur Vorhersagegüte erstellt. Zum anderen ein Tool, das eine Reihung aller Modelle anhand der ermittelten R2-Werte vornimmt und automatisiert einen Auswertungsbericht in tabellarischer Form erstellt.

Zur Erstellung der Daten für Training, Validierung und Test der Modelle wurden sogenannte Regressionstabellen erstellt. Zusätzlich wurde eine Web-Applikation in Python und JavaScript entwickelt. Primäres Ziel der Web-Applikation war es, das Modell und die zugrundeliegenden Algorithmen für Enduserinnen und Enduser zugänglich zu machen.

Echtzeit-Logistikoptimierung für Baustellenentsorgung

Projektinhalt

Im Pilotprojekt mit der pink:robin gmbh, Saubermacher Dienstleistungs AG, werden Methoden untersucht, komplexe logistische Aufgabenstellungen auf optimierte Weise zu lösen. Die entwickelten Methoden sollen als Grundlage dafür dienen, das sich im Einsatz befindende Baustellenentsorgungskonzept weiter zu automatisieren. Das Projekt bezieht sich dabei auf das Teilgebiet der optimalen Einplanung und Durchführung von Mulden- und Container-Aufträgen. Die Planung und Zuweisung dieser Aufträge zu den jeweiligen LKW-Typen wird momentan täglich manuell von Wastebox Partnern durchgeführt – eine komplexe und schwierige Aufgabe. Die Abarbeitung der generierten Auftragsliste erfolgt im Anschluss durch die jeweiligen Lastkraftwagenfahrerinnen und Lastkraftwagenfahrer.

Im Rahmen des Projekts soll die Erstellung von optimalen Abarbeitungsreihenfolgen initiiert werden, sodass eine verbesserte, kosteneffizientere und ökologisch günstigere Routenplanung durchgeführt werden kann. Um dies adäquat umzusetzen, gilt es eine Vielzahl von Nebenbedingungen betreffend Auftragsarten, Entsorgungstypen, Muldenkombinationen und Fahrzeugtypen zu berücksichtigen. Darüber hinaus gilt es auch noch die Wahl der benötigten Verwerterplätze, welche von den oben erwähnten Kategorien abhängen kann, optimal an die Routen anzupassen.

Ein wesentlicher Aspekt im Projekt ist die Implementierung einer dynamischen Auftragszuweisung. Im Rahmen dieser dynamischen Betrachtung sollen neue Aufträge in die vorhandene Route miteinbezogen werden, sodass eine Überprüfung zur Abarbeitung am selben Tag erfolgt. Die dadurch entstehende neue Auftragsreihenfolge wird mit dem System synchronisiert und den Fahrerinnen und Fahrern übermittelt. Zusätzlich wird auch das Ziel verfolgt, die Optimalität der Routen an die Verkehrslage anzupassen, weshalb eine regelmäßige Überprüfung und gegebenenfalls Adaptierung der Routen notwendig ist.

Datenanalyse Theaterholding Graz / Steiermark GmbH

Projektinhalt

Ziel des Projekts ist es, überraschende Querverbindungen in den veranstaltungsspezifischen Daten der Theaterholding zu entdecken. Kann man Kundinnen und Kunden nach ihren Vorlieben in Cluster gruppieren? Spiegeln diese Cluster eventuell unerwartete Genrekombinationen wider? Gibt es einen Zusammenhang zwischen Kaufzeitpunkt und Entfernung zum Veranstaltungsort? Gibt es für unterschiedliche Genres auffallende Muster in den Verkaufsdaten der zugehörigen Veranstaltungen?

Antworten auf diese und ähnliche Fragen sollen im FIT4BA-Pilotprojekt einerseits mit Methoden der klassischen Statistik und andererseits mit heuristischen Datenanalyseverfahren gefunden werden. Kompetente wissenschaftliche Begleitung bei der Durchführung dieses spannenden Datenanalyseprojekts bietet das Institut für Statistik der Technischen Universität Graz. Ein Softwaretool, dass mit der Theaterholding erarbeitet wird, soll schlussendlich die tägliche Arbeit der Theaterholding mit aussagekräftigen Analysen bereichern.  

Analyse der Buchungsdaten aus dem ERP-System der Brau Union Österreich AG

Projektinhalt

Ziel des Projekts ist es, die Buchungsdaten aus dem ERP-System der einzelnen Brau Union Standorte in Österreich nach interessanten Mustern zu durchsuchen und wichtige Erkenntnisse für das Controlling und das Qualitätsmanagement zu generieren. Im Projekt werden aktuelle statistische Methoden unter Zuhilfenahme des Softwarepakets R an die Erfordernisse der Brau Union angepasst. Diese werden ferner der Brau Union als Softwaretool für die Optimierung der täglichen Arbeit übergeben. Wissenschaftlich begleitet wird das Projekt vom Institut für angewandte Statistik der JKU Linz.

RLB KI SALES ANALYTIC

Projektinhalt

Im Rahmen dieses Pilotprojekts untersucht das Team der FH JONNEUM gemeinsam mit der Data-Science-Gruppe der RLB Steiermark Methoden und Strategien aus den Bereichen Big Data und Artificial Intelligence, die im Rahmen der geschäftlichen Aktivitäten im Bankenwesen eingesetzt werden können. Hier stehen transparente, erklärbare Methoden im Vordergrund, wobei aber auch komplementäre Ansätze untersucht werden sollen.

Dabei wird streng auf den Datenschutz geachtet; zusätzlich wurde die ethische Dimension des Vorhabens genau untersucht. Dabei wurden verbindliche Richtlinien definiert, die sicherstellen, dass Big-Data-Methoden niemals zum Nachteil von Kundinnen und Kunden eingesetzt werden, insbesondere nicht zu Benachteiligungen oder Diskriminierungen führen. In der Forschung stehen Methoden zur Ermittlung von Cross- und Upselling-Potenzialen im Vordergrund. Insbesondere die Präferenz von Kundinnen und Kunden beziehungsweise die Affinität für spezielle Produkte sind hierbei von Interesse. Zusätzlich geht es um die Eignung von Interaktionskanälen und um die Ermittlung sinnvoller Kontaktierungsfrequenzen.

Durch eine möglichst genaue Einschätzung dieser Größen können in späterer Folge Marketing-Maßnahmen zielgerichtet durchgeführt werden. Das soll es der RLB erlauben, ihre Marketing-Kapazitäten effizient einzusetzen. Die Kundinnen und Kunden werden gezielt über wahrscheinlich relevante Produkte auf die ihnen sympathischste Weise informiert. Es ist geplant, in einem auf den Ergebnissen dieses Pilotprojekts aufbauenden Folgeprojekts eine erfolgsversprechende Methode an die Bedürfnisse des Vertriebs anzupassen und sie zu testen.