Erfolge

Unsere Erfolge im Überblick

Scrollen Sie durch unsere Themenauswahl oder navigieren Sie direkt zu dem von Ihnen gesuchten Abschnitt.

Logo

eliso GmbH

Workshop zur Identifizierung von KI-Einsatzpotenzialen

Abschlussarbeiten zur Lösungsumsetzung

Eliso ist ein herstellerunabhängiger Ladeinfrastruktur-Spezialist, der Unternehmen auf dem Weg in die Elektromobilität begleitet. Gemeinsam haben wir einen ganztägigen Use Case Finding Workshop durchgeführt. Ziel dabei war es, verschiedene Einsatzpotenziale von Künstlicher Intelligenz zu identifizieren und einen Use Case für eine erste Umsetzung zu definieren. Das Ergebnis ist die Idee eines Einsatzes von KI zur Unterstützung des Sales Funnels. Die Durchführung dieses Proof of Concepts wurde von zwei Studierenden in Form einer Abschlussarbeit übernommen.

Lesen Sie mehr über die Umsetzung des Proof of Concepts 

„Ganz schön spannend! Ganz schön intelligent!
So würden wir von eliso unseren Workshop mit dem Kl-Lab AnalyzES! der Hochschule Esslingen beschreiben. Zusammen haben wir überlegt, wie künstliche Intelligenz im konkreten Anwendungsfall im Bereich Ladeinfrastruktur aussehen kann. Vielen Dank an das AnalyzES!-Team für den tollen Tag!“

ST2C GmbH - Satelliten Telekommunikation Consultancy

Workshop zur Optimierung der Satellitenkommunaktion mittels KI

Gemeinsam mit ST2C sind wir über die Grenzen der Erde hinausgegangen und haben uns damit beschäftigt, wie Künstliche Intelligenz die Kommunikation zwischen Erde und Satelliten im All unterstützen kann.

Mit der Unterstützung von GründES! wurden im Rahmen eines Use Case Finding Workshops mit ST2C sowie Vertretern der ESA, TESAT und DLR mögliche Anwendungsfälle für einen Einsatz von KI in der Satellitenkommunikation erarbeitet. 

Claire Witzak, M.Sc.

Abschlussarbeit "Reifegrade für Maschine Learning Kompetenzen - eine Exploration in kleinen und mittleren Unternehmen"

Machine Learning ist innerhalb kleiner und mittlerer Unternehmen (KMU) weitaus weniger verbreitet als in großen. Ursache dafür ist die geringe Akzeptanz für Machine Learning und das limitierte Know-How bezüglich der Technologie. Reifegradmodelle sind ein Instrument, mit dem der Entwicklungsstand einer Organisation aufgezeigt werden kann. Insbesondere in technologiegetriebenen Disziplinen wie maschinellem Lernen gewinnen diese zunehmend an Bedeutung. Claire Witzak hat sich innerhalb Ihrer Masterarbeit mit der Erstellung eines geeigneten Reifegradmodells zur Einordnung des Entwicklungsstandes von Machine Learning innerhalb von KMU beschäftigt. Ergebnis ist das Adaptive Maturity Model for Machine Learning (AMM-ML). Die Arbeit basiert auf qualitativen Daten die im Rahmen von Experteninterviews mit Experten aus der IT-Branche und der Forschung durchgeführt wurden, sowie der Adaption des Cross Industry Standard Processes for Data Mining (CRISP-DM).

Claire Witzak, M.Sc.

ehem. Mitarbeiterin von AnalysES!

Die Masterarbeit von Claire Witzak leistet einen wesentlichen Beitrag zur Forschung im Bereich KI. Eine Veröffentlichung der Arbeit ist geplant.

Wir halten Sie hier auf dem Laufenden!

AMM-ML
Adaptive Maturity Model for Machine Learning (AMM-ML)

Nicole Kleindienst, M.Sc.
Carmen Negro, B.Sc.

KI im Sales: KI-basierte Optimierung des Sales-Prozesses mittels Vorhersage von Vertragsabschlüssen und Verlauf der Sales Pipeline

Innerhalb eines gemeinsamen Use Case Findlings Workshops wurde ein hohes Potenzial für einen Einsatz von KI zur Unterstützung des Sales Funnels bei eliso identifiziert. Die Umsetzung wurde daraufhin von zwei Studierenden in Form von Abschlussarbeiten durchgeführt. Carmen Negro hat sich innerhalb Ihrer Bachelorarbeit mit der Untersuchung von Möglichkeiten des KI-Einsatzes im Sales beschäftigt. Dabei zeigt Sie verschiedene Einsatzszenarien auf und adaptiert diese auf die Unternehmensstrukturen von eliso. Das Ziel der Masterarbeit von Nicole Kleindienst war die Optimierung der Lead Prediction durch eine Vorhersage von Kundenabschlüssen mittels KI-Algorithmen. Das Ergebnis ist eine KI, das basierend auf den zur Verfügung stehenden Daten Kundenabschlüsse mit einer Genauigkeit von 83% vorhersagen kann.

Details zur Vorgehensweise und den erzielten Ergebnissen des Proof of Concepts, sowie Einblicke darüber was für wichtige Erkenntnisse unabhängig vom KI-Algorithmus gesammelt werden konnten, können Sie im offiziellen Praxispiloten von KI-Transfer BW nachlesen.

Laden Sie sich hier die Dokumentation zum eliso-Projekt herunter!

Logo-Fierthbauer-4c_neu

Julia Menzel, M.Sc.

Abschlussarbeit "Edge Computing für AIoT: Eine experimentelle Untersuchung zum Aufbau einer containerbasierten Edge Computing Lösung für die Bereitstellung von Künstlichen Intelligenzen"

Die Realisation von Artificial Intelligence of Things (AIoT), innerhalb von Cloud Computing Infrastrukturen, begegnet vielen Herausforderungen, die mithilfe von Edge Computing adressiert werden können. Edge Computing beschreibt die Verlagerung der Datenverarbeitung von der Cloud näher zum Endgerät. Dabei kann grundsätzlich zwischen einer endgerätbasierten Umsetzung und einer Implementierung innerhalb von virtuellen Maschinen an Netzwerkknotenpunkten unterschieden werden. In der Regel, ist die Auswahl eines geeigneten Edge Computing Ansatzes abhängig vom jeweiligen Anwendungsfall. Das Ergebnis der Masterthesis zeigt jedoch, dass die Containertechnologie eine anwendungsfallunabhängige Bereitstellung von Künstlichen Intelligenzen ermöglicht. Sie lässt einerseits eine hohe Generalisierbarkeit zu, andererseits ermöglicht sie einen hohen Individualisierungsgrad, da sich durch das Verpacken der Anwendung in Pakete kundenspezifische AIoT-Anwendungen einfach und flexibel integrieren lassen oder der Austausch einzelner Pakete realisieren lässt. 

Die Fierthbauer GmbH hat das Ziel, Nutzfahrzeugflotten zu digitalisieren und kundenspezifische KI-Anwendungen bereitzustellen. Zur Erforschung von Edge Computing Ansätzen wurde innerhalb der Masterthesis eine KI entwickelt, die den Volumenstrom eines hydraulischen Systems, mithilfe von maschinellem Lernen, steuert. Basierend auf verschiedenen Parametern, wie beispielsweise der Öl-Temperatur oder dem Gesamtdruck innerhalb des Hydraulikblocks, ermittelt die KI den optimalen elektrischen Strom, der benötigt wird, um den optimalen Öl-Durchfluss zu erzeugen.

KI-Expertin

Julia Menzel, M.Sc.

ehem. Mitarbeiterin von AnalysES!

Julia Menzel studierte im Bachelor Technische Betriebswirtschaft und wagte den Quereinstieg in die Informatik. Sie engagiert sich für Frauen in der Tech-Branche.

Innerhalb der Masterthesis umgesetzte Container-Architektur am Beispiel einer endgerätbasierten KI-Bereitstellung.