News
Seit 2023 treiben wir in einer Kooperation mit der Freiburger Unique GmbH das Projekt zum Borkenkäfer Monitoring voran. Mithilfe von maßgeschneiderten Convolutional Neural Networks (CNN) versuchen wir auf Bildern des Satellitenbetreibers Planet Borkenkäferbefall einzelner Bäume in einem möglichst frühen Stadium zu entdecken, so dass die Bäume entnommen werden können, ehe sich die Käfer weiter ausbreiten. Während sich die Borkenkäferproblematik in den letzten Jahren aufgrund der heißen und trockenen Sommer weiter verschärft hat, konnten wir mit dem Detektor Fortschritte erzielen. Bei einem weiteren großen Versuchsareal im Nationalpark Schwarzwald bei Baiersbronn konnten erstmals in drei Zonen die Gesamtheit der Bäume – befallene sowie nicht befallene – eines Areals über eine Saison beobachtet, und so neben dem Training des Detektors eine aussagekräftigere Validierung durchgeführt werden. Die Ergebnisse sind ermutigend, die Lenkungswirkung der Warnkarten kann die Effizienz der Suche nach frisch befallenen Bäumen stark verbessern. Inzwischen haben weitere Landkreise Interesse an dem Projekt signalisiert, sodass im nächsten Jahr das Einsatzgebiet auf das Renchtal sowie mehrere Gebiete auf der schwäbischen Alb erweitert werden soll. Ein Konsortium aus Landesforstverwaltung, Forst BW und Landkreisen finanziert die Weiterentwicklung des Detektors. Ein Schwerpunkt der Entwicklung ist die Übertragbarkeit eines trainierten Detektors in weiter entfernt liegende Gebiete.
Da der Borkenkäfer nur Fichten befällt, haben wir als Hilfsmittel für das Preprocessing der Daten mithilfe derselben CNN Technologie und Datenbasis eine KI gestützte Baumartenerkennung entwickelt. Nachdem diese leistungsfähiger zu sein scheint als derzeit verfügbare Software, prüfen wir gemeinsam mit Unique, die Klassifizierung von Baumarten als weiteres eigenständiges Produkt zu vermarkten.
AI4Energy ist ein internes F+E Projekt und dient uns als Plattform zur Technologieentwicklung im Rahmen der Learning Controls Engine.
Auf Basis realer historischer Daten zu Stromverbrauch, Strompreisen sowie Wetter und Wettervorhersagen wird das Energiesystem eines Wohnhauses mit PV Anlage, Batteriespeicher, verschiebbarer Last (Waschmaschine) und flexiblen Strompreisen simuliert. In dieser Simulation wird wiederum ein Agent darauf trainiert, auf Basis von unsicheren Prognosen für Strompreise und Wetter den Haushalt möglichst effizient zu steuern. Hierbei lernt die KI, durch besonders effiziente und fein getunte Regelungsstrategien auch gegenüber einem vorausschauend programmierten State of the Art Energy Manager signifikante Vorteile zu erzielen. Die Erweiterung um eine Wärmepumpe sowie eine Wallbox für Elektrofahrzeuge mit flexiblen Ladestrategien ist geplant.
AI4Energy wird im Rahmen des Learning Controls Projektes vom Bund gefördert, und war Gegenstand einer Bachelorarbeit an der FH Offenburg und einer Masterarbeit an der Universität Freiburg.
Pablo hält einen Master in Informatik der Universität Freiburg. Im Rahmen der von uns betreuten Masterarbeit hat er AI4Energy, einen KI-Energy-Manager für Home Systeme entwickelt, und hierbei an autodifferenzierbaren Digitalen Zwillingen geforscht. Pablo hatte schon seit 2024 als Werkstudent bei uns gearbeitet, und dabei neben dem AI4Energy Projekt auch Beiträge zum satellitengestützten Borkenkäfer-Monitoring geleistet.
Die CTE AG aus Liestal bei Basel erwirbt eine Beteiligung von 10% an der Learning Machines GmbH. Die Beteiligung erfolgt im Wege einer Kapitalerhöhung, die Mittel fließen der Gesellschaft zu, und sollen für die Weiterentwicklung unserer Technologien insbesondere für industrielle Anwendungen verwendet werden.
Mit der CTE verbindet uns seit 2024 eine strategische Kooperation. Gemeinsam adressieren wir industrielle Kunden in der Basel Area und darüber hinaus – die CTE AG mit Mess- und Automationstechnik und Datenmanagement, wir mit maßgeschneiderten KI Anwendungen. Ein Schwerpunkt liegt auf der Entwicklung von Lösungen zur Effizienzsteigerung bei energie- und ressourcenintensiven komplexen Prozessen.
Wir freuen uns auf weitere gute Zusammenarbeit und spannende gemeinsame Projekte.
Vom Bundesministerium für Forschung, Technologie und Raumfahrt haben wir eine Zusage erhalten zur Förderung unseres Projektes „Learning Controls – Erforschung der KI gestützten Modellierung, Parametrisierung oder dynamischen Steuerung physikalischer Systeme mit digitalen Zwillingen“.
Die Learning Controls Engine versetzt uns in die Lage, mit vertretbarem Aufwand maßgeschneiderte KI gestützte Lösungen zu entwickeln zur Optimierung industrieller oder anderer physikalischer Prozesse. Dies betrifft Prozess-Parametrisierungen, dynamische Steuerungen als auch Designoptimierungen komplexer Systeme. Herz der Technologie ist ein innovativer und besonders leistungsfähiger Ansatz zur Implementierung modular aufgebauter digitaler Zwillinge in autodifferenzierbarem Code.
Als F+E Plattform für Learning Controls dient uns das interne Projekt AI4Energy, ein KI getriebener Energy Manager für ein Wohnhaus.
Die stürmischen Entwicklungen der letzten Jahre insbesondere um die Large Language Models lassen heute denkbar werden, was bis vor kurzem noch Science Fiction war: KI Systeme, die das Verhalten von bewussten Wesen entwickeln. Diese Möglichkeit wirft weitreichende philosophische, ethische, politische und praktische Fragen auf.
Roman Besel hält einen Master in Information Systems mit Schwerpunkt Business Analytics an der Universität Würzburg. Roman ist AI Enthusiast und hat im Rahmen seiner Masterarbeit ein Modell zur Routenoptimierung für Entsorgungsbetriebe entwickelt. Ab Anfang Juni verstärkt er von München aus das Team der Learning Machines als Data Scientist.
Learning Machines startet eine strategische Kooperation mit der ControlTech Engineering AG aus Liestal bei Basel. CTE ist Spezialistin für industrielle Mess- und Automationstechnik, ein Schwerpunkt ist hierbei die Pharma-Industrie in der Basel Area. Das Unternehmen liefert die Technologie, um die bei komplexen Produktionsprozessen in großem Umfang anfallende Sensordaten fortlaufend zu erfassen und zu archivieren. Dies geschieht oftmals, um regulatorischen Anforderungen zu genügen, während die Möglichkeiten zur Nutzung dieser Daten bislang nicht ausgeschöpft werden. Der Einsatz von Künstlicher Intelligenz in Verbindung mit diesen Daten erlaubt z.B. die frühzeitige Erkennung von Störungen und Anomalien, Unterstützung bei der Steuerung von Prozessen, die Optimierung von Prozessparametern oder sogar das Training KI getriebener Agenten zur Prozesssteuerung mithilfe digitaler Zwillinge.
Um diese Potentiale zu heben, haben CTE und Learning Machines eine Kooperationsvereinbarung abgeschlossen. Aus Sicht von Learning Machines ergänzen sich die Profile beider Unternehmen ideal: Die robuste und qualitativ hochwertige Erfassung von Prozessdaten in Verbindung mit “Domain Knowledge” bzgl. der Prozesse ist oft eine der größten Herausforderungen bei KI-Projekten – genau hier liegt die Kernkompetenz von CTE.
Der erste Schritt der Kooperation war ein Proof of Concept: Im Rahmen eines Projektes mit der FHNW Muttenz wurden Sensordaten aus dem Betrieb einer Methanoldestillationskolonne erfasst. Learning Maschines entwickelte auf dieser Basis das “AI Dashboard”, einen Demonstrator, der den Einsatz verschiedener KI Algorithmen zur Anomalieerkennung, Prozessunterstützung und ökonomischen Optimierung aufzeigt. Auf dem Siemens Pharma Forum am 25. April in Muttenz wurde der Demonstrator in einer gemeinsamen Präsentation von CTE und der Learning Machines einem Fachpublikum präsentiert. Wir bleiben gespannt, was sich aus dieser in interessanten Kooperation ergibt!
In Kooperation mit der Freiburger Unique Land Use GmbH entwickelt Learning Machines einen KI-Detektor zur frühzeitigen Entdeckung von Borkenkäferbefall in Wäldern.
Als Folge des Klimawandels und insbesondere seit den trocken-warmen Jahren 2018-2022 leiden viele Wälder Mitteleuropas unter starkem Borkenkäferbefall. Auch in der laufenden Saison wird wieder mit hohen Befallszahlen gerechnet. Eine wichtige Maßnahme zur Eindämmung ist, befallene Bäume frühzeitig zu entdecken und zu entfernen, ehe die nächste Borkenkäfergeneration sich entwickelt hat und benachbarte Bäume befällt. Das regelmäßige Absuchen großer Waldgebiete nach befallenen Bäumen alle 7-14 Tage ist jedoch enorm personalaufwändig und in der Praxis kaum zu leisten. Auch regelmäßige Befliegungen mit Drohnen wären sehr teuer. Eine ideale Lösung wäre, die Borkenkäfer auf Satellitendaten zu identifizieren. Allerdings ist es sehr schwierig, auf diesen schwach aufgelösten Bildern, bei wechselnden Wetterbedingungen in verschiedenen Umgebungen einzelne befallene Bäume zu detektieren, zumal diese sich im frühen Stadium nur wenig von gesunden Bäumen unterscheiden. Seit 2019 suchte das Freiburger Forst- und Landnutzungsberatungsunternehmen Unique Land Use GmbH (Unique) im Rahmen des staatlich geförderten Projekts “digital detect” nach einer Lösung, um die Früherkennung und schnelle Entfernung befallener Bäume zu verbessern. Das Projekt hat vielversprechende Ergebnisse geliefert, die Unique in einer Kooperation mit Learning Machines weiterentwickeln will.
In einem fernerkundungsbasierten Ansatz nutzt Unique kommerziell erhältliche hochauflösende Satellitenbilder, um ein near-real-time System zur Erstellung von Warnkarten zur frühen Schadenserkennung zu etablieren. Zur praktischen Erprobung dieser Methodik wurden während der Borkenkäfersaison 2022 drei Interessengebiete (AOI) im Südschwarzwald auf Borkenkäferschäden überwacht. Basierend auf der Berechnung und statistischen Analyse von Veränderungen in aus den Daten ermittelten Vitalitätsindizes (z.B. NDVI, EVI) ermittelt der Detektor Infektionsherde, aus denen Warnkarten für die Forstpraxis erstellt und auf Tablets übertragen wurden. Mit Unterstützung auch durch die lokalen Revierleiter sammelte Unique Referenzdaten über den tatsächlichen Befall und die Treffergenauigkeit des Detektors in einem aufwändigen räumlich-zeitlichen Verfahren. Als Satellitendaten nutzte Unique die täglich verfügbaren 4-Kanal Szenen des PlanetScope Sensors.
Die Ergebnisse und die Rückmeldungen von Förstern, mehreren Forstbetrieben und dem beteiligten Forstministerium Baden-Württembergs haben gezeigt, dass ein solcher Detektor sinnvoll ist. Für eine praktische Anwendung muss allerdings die Treffgenauigkeit noch verbessert werden. Es soll untersucht werden, ob die erforderliche Leistung mithilfe von Ansätzen des maschinellen Lernens erreicht werden kann. Durch den aus dem Projektjahr 2022 vorliegenden Trainingsdatensatz mit hoher zeitlicher und räumlicher Auflösung auf Einzelbaumebene ist ein solcher Proof of Concept nun machbar geworden.
In einem von Basel Area Business & Innovation geförderten Proof of Concept entwickelt Learning Machines jetzt state-of-the-art Machine Learning Algorithmen, mit dem Ziel einen möglichst großen Teil der befallenen Bäume zu entdecken („Recall”) und zugleich möglichst wenige Fehlwarnungen zu erzeugen („Precision”). Zielgrößen sind mindestens 50% für den Recall und 80% Precision. Zum Einsatz kommen speziell angepasste Convolutional Neural Networks, die sowohl die Bilder, als auch deren zeitliche Entwicklung verarbeiten. Wir experimentieren mit verschiedenen Netzwerkarchitekturen, Preprocessing, synthetisch erzeugten zusätzlichen Features und Beispieldaten. Darüber hinaus werden die Prozesse so angepasst, dass mit hochparelleler Hardware künftig auch beliebig große Datenmengen schnell prozessiert werden können.
Falls die Ergebnisse des PoCs hinreichend gut sind, soll auf dieser Basis weiter an einem Borkenkäfer Frühwarnsystem gearbeitet werden. Ziel ist, mittels des KI-Detektors in einem automatisierten Prozess aus den täglich anfallenden Satellitenbildern in Abständen von 7-14 Tagen aktualisierte Warnkarten zu erzeugen, die den Befall maximal 9 Wochen nach Auftreten anzeigen. Wie in der Pilotphase in 2022 erprobt, lassen sich diese Warnkarten innerhalb von 2 Tagen nach dem Aufnahmedatum des Satellitenbildes den Forstbetrieben zur Verfügung stellen. So können diese die befallenen Bäume rechtzeitig entnehmen und die Borkenkäfer durch Entrindung oder Abfuhr an der weiteren Vermehrung hindern.
Die hier entwickelten Technologien könnten künftig auch bei anderen forst- und landwirtschaftlichen Aufgabenstellungen zum Einsatz kommen, etwa nach Stürmen, für andere Schädlinge, bei Waldinventuren oder der Abschätzung von Waldbrandgefahr.
Schon als Gedankenexperiment und als künftige Möglichkeit sind Künstliche Intelligente Systeme mit menschenähnlichen Fähigkeiten Gegenstand philosophischer Fragen und intensiver Debatten, insbesondere zur Natur des menschlichen Bewusstseins.
Getrieben durch den schnell wachsenden Onlinehandel, Personalisierung, technologische Innovationen und regulatorische Anforderungen durchläuft die Retail-Branche derzeit einen rasanten Wandel und Digitalisierungsschub. Hierbei ergeben sich vielfältige Potentiale für den Einsatz von Machine Learning (ML) Technologien. Allerdings ist die Umsetzung solcher Projekte relativ ressourcenintensiv. Unser Whitepaper präsentiert Use Cases im Einzelhandel und beleuchtet am Beispiel von ML Applikationen auf Basis von FMCG Daten Möglichkeiten zur Beschleunigung und Effiziensteigerung bei deren Entwicklung.
Wir freuen uns über die Förderzusage des Bundeswirtschaftministeriums zu einem Forschungsprojekt in Kooperation mit der Universität Hildesheim zur automatisierten Entwicklung von Datenanalysen. Ziel dieses ambitionierten Projektes ist, durch den Einsatz künstlicher Intelligenz unsere eigene Arbeit, also die Erstellung kundenspezifischer Proofs of Concept und die Anwendungsentwicklung, signifikant effizienter zu gestalten. Die Förderung sowie die Einbindung von Forschungsergebnissen der Universität Hildesheim wird uns in die Lage versetzen, mit noch höherer Priorität die strategische Entwicklung unserer Learning Machines Engine voranzutreiben.
