Modernisierung der Projektmanagement Software für das bifa Umweltinstitut →

Das Projekt zielt darauf ab, KMUs dabei zu unterstützen, vorhandenen Code auf potenzielle Schwachstellen und schützenswerte Assets hin zu analysieren. Dabei soll die Einstiegshürde für die Unternehmen so gering wie möglich gehalten werden, um einen einfachen Zugang zu gewährleisten. →

Im Vorhaben soll ein Verfahren entwickelt werden, mit dem statisch belastbare Betonfertigteile ohne Schalung mittels 3D-Drucktechnik sowie speziell entwickelten Betonmischungen und Armierung aus Basaltfasern hergestellt werden können. →

Ein Forschungsprojekt, welches sich mit der Erkennung von Schwachstellen in C und C++ Code mit Hilfe von Large Language Models befasst. →

detex ist ein KI-basiertes System zur automatischen Klassifizierung von Altkleidung für ein vereinfachtes Sortierverfahren im Recyclingprozess. →

detex 2.0 setzt künstliche Intelligenz und hochauflösende Kameras ein, um den Sortierprozess im Textilrecycling zu unterstützen. Durch die Optimierung der Klassifizierung von Kleidungsstücken und die Verbesserung der Störstofferkennung wird eine effizientere Verarbeitung von Alttextilien ermöglicht. →

Die Wissensvermittlung erfolgt auf kindgerechte Weise mit Illustrationen und Animationen - in Form einer Webanwendung, die mit React entwickelt wurde. Nach einer Erklärung werden die Inhalte durch jeweils ein spielerisches und interaktives Element veranschaulicht. →

Projektbeschreibung

In diesem Projekt sollen KI-gestützte Sensordatenauswertungs- und Steuerungsalgorithmen entwickelt werden, die sich autonom auf neue Fügeprozessvarianten einstellen können. Die entwickelten Roboteranwendungen sollen für Anwender ohne Spezialkenntnisse vereinfacht werden und so Produktivitätssteigerungspotentiale erzeugen.

  →

Im Verbundprojekt SynDiQuAss wird untersucht, welches Potenzial digital vernetzte Assistenzsysteme für die Gestaltung von Arbeitsplätzen in der Produktion haben und wie dadurch Qualitätssteigerungen erzielt werden können. Betrachtet werden Montageaufgaben mit manuellen Tätigkeiten, die einen hohen Routineanteil aufweisen. →

Eine Machine-Learning-Anwendung sagt das Patientenaufkommen voraus und erleichtert so die Pflegepersonaleinsatzplanung, um den Personalmangel effizient zu bewältigen.

In Kooperation mit der XITASO GmbH wurde eine Anwendung entwickelt, die mithilfe von Machine Learning das Patientenaufkommen vorhersagt und visualisiert, um die Pflegepersonaleinsatzplanung zu verbessern. Basierend auf historischen Daten wird das Verfahren der Zeitreihenprognose verwendet, wobei Modelle wie Random Forest, SARIMA und Holts Winters seasonal method zum Einsatz kommen. Die Modellgüte wird durch RMSE, MAPE und MAE bewertet. Die Vorhersagen werden in einer benutzerfreundlichen Weboberfläche dargestellt, die es Pflegeeinrichtungen ermöglicht, die Personalplanung bedarfsgerecht zu optimieren. →