News-Stream 3.0
|
Echtzeitanalyse und Auswertung heterogener Nachrichtenströme mittels Big-Data-Technologien
Kurzfassung:
Für den Fortbestand unabhängiger, agiler Medienunternehmen ist es von hoher Bedeutung, aus heterogenen Datenströmen die relevanten Inhalte schnellstmöglich und verlässlich zu filtern, zu überprüfen und kontextbezogen einzuordnen. Dazu sind Big-Data-Systeme und -Werkzeuge erforderlich, die redaktionelle Prozesse auf Anwenderebene effizient unterstützen. Im Verbundprojekt „News-Stream 3.0“ werden Analyseverfahren und Infrastrukturen entwickelt, die auf journalistische Anwendungsszenarien ausgerichtet sind: Das Ziel des Projekts ist die echtzeitnahe Verarbeitung von hochdynamischen, unstrukturierten Nachrichtenströmen und die gleichzeitige Anreicherung mit bereits verarbeiteten und archivierten, strukturierten Nachrichtendaten sowie mit externen Wissensbasen. In der Anwendung sollen Journalisten eine fusionierte Sicht auf verschiedenste Nachrichtenquellen erhalten, die eine multimodale, kontextualisierte Recherche in Echtzeit ermöglicht.
Projektpartner:
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme (IAIS), dpa-infocom GmbH, Deutsche Welle, neofonie GmbH
Ansprechpartner:
Fraunhofer IAIS
Projektblatt
Website
|
iPRODICT |
Intelligente Prozessprognose basierend auf Big-Data-Analytics-Verfahren
Kurzfassung:
Das Verbundprojekt „iPRODICT“ erforscht in einem interdisziplinären Team aus Forschern und Industrieexperten einen intelligenten Ansatz zur teil-automatisierten Anpassung und Verbesserung von Geschäftsprozessen. Neben der Analyse gesammelter Prozessdaten und der Echtzeitauswertung aktueller Kontextinformationen aus Sensornetzwerken wird der optimale Prozessablauf mittels Prognoseberechnungen vorhergesagt. So gelingt es, Prozesse mittels Big-Data-Analyseverfahren in Echtzeit individuell auf die jeweilige Kontextsituation anzupassen. Der entwickelte Ansatz soll in Form eines integrierten Prototypen innerhalb eines Anwendungsszenarios aus der Prozessfertigung beim Anwendungspartner Saarstahl AG implementiert, getestet und validiert werden. Dies soll einerseits die Machbarkeit des Ansatzes unterstreichen und andererseits die Nutzenpotentiale wie die frühzeitige Vorhersage von Prozessproblemen basierend auf der Analyse großer Datenmengen messbar machen.
Projektpartner:
Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI), Blue Yonder GmbH, Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme (IAIS), Pattern Recognition Company GmbH, Software Aktiengesellschaft, Saarstahl Aktiengesellschaft
Ansprechpartner:
DFKI
Projektblatt
Website
|
VAVID |
Vergleichende Analyse von ingenieurrelevanten Mess- und Simulationsdaten
Kurzfassung:
In den ingenieurtechnischen Bereichen ist in den letzten Jahren ein starker Zuwachs der für die Entwicklung und dem Betrieb zur Verfügung stehenden Daten sowie eine wachsende Datenheterogenität zu beobachten. So werden etwa bei der virtuellen Produktentwicklung durch immer aufwändigere Simulationsrechnungen enorme Datenmengen erzeugt, die verarbeitet und analysiert werden müssen. Das Verbundprojekt „VAVID“ hat das Ziel, neue Techniken für einen effizienten Umgang mit Daten von numerischen Simulationen und Messdaten von Sensoren zu untersuchen. Durch vergleichende Betrachtung solcher Daten können Zusammenhänge und Unterschiede der zugrundeliegenden Objekte aufgedeckt und genutzt werden. Hierzu werden Methoden zur Kompression von umfangreichen Datenbeständen, zur Datenextraktion, zum Datenmanagement, zur effizienten Analyse sowie zur interaktiven Visualisierung entwickelt und bereitgestellt, auch unter Einsatz paralleler Datenverarbeitung..
Projektpartner:
Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen (SCAI), Bosch Rexroth Monitoring Systems GmbH, Scale GmbH, GE Global Research, GNS Gesellschaft für numerische Simulation mbH, SIDACT GmbH, Technische Universität Dresden
Ansprechpartner:
Fraunhofer SCAI,
Projektblatt
Website
|
FEE |
Frühzeitige Erkennung und Entscheidungsunterstützung für kritische Situationen im Produktionsumfeld
Kurzfassung:
Das Ziel des Verbundprojekts „FEE“ ist die Integration der in Produktionsanlagen aufgezeichneten heterogenen Datenmengen in einer Big-Data-Analyseplattform. Verwendet werden neben aktuellen Daten aus Engineering- und Assetdatenbanken, aus Prozess-Informations-Management-Systemen sowie aus Schichtbüchern und Betriebsvorschriften auch umfangreiche historische Datenbestände. Darauf aufbžauend sollen mittels Big-Data-Techniken Echtzeit-Methoden entwickelt werden, um Bediener von Anlagen durch geeignete Alarme vor unerwarteten Betriebszuständen frühzeitig zu warnen und mit interaktiven Assistenzfunktionen bei der Ad-hoc-Analyse sowie der Entwicklung von Eingriffsstrategien zu unterstützen. So wird proaktives statt reaktives Handeln ermöglicht. Durch die Einbindung von Praxisanwendern aus der chemischen und der Mineralölindustrie werden spezifische Anwendungsszenarien identifiziert, anhand derer die entwickelte Architektur und Methodik evaluiert werden können.
Projektpartner:
ABB AG, RapidMiner GmbH, Technische Universität Dresden, Universität Kassel
Ansprechpartner:
ABB AG Forschungszentrum
Projektblatt
Website
|
AGATA |
Analyse großer Datenmengen in Verarbeitungsprozessen
Kurzfassung:
Industrielle und landwirtschaftliche Verarbeitungsprozesse werden heutzutage zunehmend komplexer. Dies hat zur Folge, dass Fehlfunktionen wie etwa der Ausfall von Sensoren nicht immer rechtzeitig erkannt werden, was zu Schäden an den Anlagen, zu Produktionsausfällen sowie zu erhöhten Kosten durch die Lokalisation der Fehlerquellen führen kann. Im Verbundprojekt „AGATA“ soll ein selbstlernendes Assistenzsystem entwickelt werden, das durch die Beobachtung komplexer Verarbeitungsprozesse in der chemischen Industrie, in der Landwirtschaft und auch in der Abfallwirtschaft Zusammenhänge ermittelt. Damit sollen Fehler, Anomalien und Optimierungsbedarf (z. B. beim Energieverbrauch) automatisch erkannt werden. Die geplante Lösung soll Anlagenpersonal frühzeitig warnen, beispielsweise wenn sich Komponentenausfälle abzeichnen oder das Prozessverhalten ineffizient oder fehlerhaft ist. Darüber hinaus soll der Anwender beim Monitoring der Prozesse und bei der Fehlersuche unterstützt werden.
Projektpartner:
Fraunhofer-Anwendungszentrum Industrial Automation des IOSB (IOSB-INA), CLAAS E-Systems KGaA mbH &
Co KG, Bayer Technology Services GmbH, Hilscher Gesellschaft für Systemautomation mbH, Tönsmeier Dienstleistung GmbH & Co. KG, Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
Ansprechpartner:
Fraunhofer IOSB-INA,
Projektblatt
Website
|
GeoMultiSens |
Skalierbare multisensorale Analyse von Geofernerkundungsdaten
Kurzfassung:
Die Satellitenfernerkundung bietet die Möglichkeit, Prozesse der Erdoberfläche, die mit globalen Herausforderungen wie Klimawandel, Bevölkerungswachstum oder Verlust der biologischen Vielfalt in Zusammenhang stehen, kontinuierlich und global zu beobachten. Das kontinuierliche und flächendeckende Monitoring der Erdoberfläche erzeugt jedoch sehr große Datenmengen. Ziel des Verbundprojekts „GeoMultiSens“ ist es deshalb, neue effektive Big-Data-Technologien für die fernerkundliche Multi-Sensor-Analyse zu erforschen und ihre Eignung an ausgewählten Anwendungsszenarien zu demonstrieren. Dazu soll eine integrierte Verarbeitungskette entwickelt werden, mit der sich Datenmengen im Petabyte-Bereich verarbeiten lassen. Eine besondere Herausforderung besteht in der Integration heterogener Erdbeobachtungsdaten, ihrer parallelen Analyse sowie der Visualisierung der Ursprungsdaten und Analyseergebnisse zur korrekten Detektion und Bewertung raum-zeitlicher Veränderungen der Erdoberfläche.
Projektpartner:
Helmholtz-Zentrum Potsdam Deutsches GeoForschungsZentrum GFZ, Humboldt-Universität zu Berlin, Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB)
Ansprechpartner:
GFZ
Website
|
BigPro |
Einsatz von Big Data-Technologien zum Störungsmanagement in der Produktion
Kurzfassung:
Ziel des Verbundprojekts „BigPro“ ist es, das Störungsmanagement in Unternehmen der fertigenden Industrie effizienter zu gestalten. Dazu soll eine Big-Data-Plattform entwickelt werden, die heterogene Daten aus unterschiedlichen Quellen des Produktionsumfelds verarbeitet und über eine Datenmustererkennung in einen gemeinsamen Kontext setzt. Neben Systemdaten der Produktion werden auch das Wissen und die Wahrnehmung der Mitarbeiter durch Stimmungsmonitoring bzw. Spracherkennungstools erfasst, wobei Aspekte des Datenschutzes und der Datensicherheit besondere Beachtung finden. Die generierten Daten sollen von der Big-Data-Plattform in Echtzeit analysiert und für das Störungsmanagement aufbereitet werden. Zusätzlich sollen skalierbare Techniken zur Visualisierung der Zustände, Prognosen und Reaktionsmöglichkeiten bei Störungen entwickelt werden.
Projektpartner:
Forschungsinstitut für Rationalisierung e.V. (FIR e.V.) an der RWTH Aachen, FZI Forschungszentrum Informatik am Karlsruher Institut für Technologie, Software Aktiengesellschaft, i2solutions GmbH, cognesys gmbh, Asseco Solutions AG, C. Grossmann Stahlguss GmbH, Robert Bosch GmbH, Rheinisch-Westfälische Technische Hochschule Aachen
Ansprechpartner:
FIR e.V. an der RWTH Aachen,
Projektblatt
Website
|
HUMIT |
Human-zentrierte Unterstützung inkrementell-interaktiver Datenintegration am Beispiel von Hochdurchsatzprozessen in den Life Sciences
Kurzfassung:
In der klinischen Forschung und der Entwicklung neuer Medikamente gegen Krankheiten wie Krebs, Alzheimer oder Diabetes generieren akademische Forschergruppen und große Pharmakonzerne eine ständig zunehmende Menge an Daten. Dabei ist es bisher nicht möglich, ältere Studien und externe Datenbanken mit den neuesten Experimenten zu verknüpfen. Das Projekt „HUMIT“ will durch neue Big-Data-Methoden mehr Informationen aus der Kombination neuer und schon existierender Daten gewinnen. Die zentrale Herausforderung dabei ist die hohe Heterogenität biomedizinischer Daten. Es sollen neue Methoden entwickelt werden, die es einem Nutzer ermöglichen, aus vorhandenen Daten interaktiv Strukturen zu erkennen und mit anderen Strukturen zusammenzubringen. Da die Integration immer nur für die jeweils notwendigen Daten erfolgt, ist sie leichter zu prüfen und anzupassen. Der Forscher behält also die ultimative Kontrolle über Form und Interpretation seiner Daten.
Projektpartner:
Fraunhofer-Institut für Angewandte Informationstechnik (FIT), Fraunhofer-Institut für Molekularbiologie und Angewandte Oekologie (IME), Deutsches Zentrum für Neurodegenerative Erkrankungen e.V., soventec GmbH - Ingenieurbüro für Softwaresysteme
Ansprechpartner:
Fraunhofer FIT
Projektblatt
Website
|
BigGIS |
Prädiktive und präskriptive Geoinformationssysteme basierend auf hochdimensionalen geo-temporalen Datenstrukturen
Kurzfassung:
Geoinformationssysteme (GIS) erfassen, analysieren und präsentieren unterschiedliche räumliche Daten wie Verkehrsdichten, Temperatur, Windstärke oder Schädlingsaufkommen. Ziel des Vorhabens „BigGIS“ ist die Erforschung, Evaluation und Demonstration einer neuen Generation von Geoinformationssystemen mit Mechanismen, die in vielfältigen Anwendungsfällen Entscheidungen auf der Basis großer Mengen an heterogenen, geo-temporalen Daten besser und schneller unterstützen. Hierfür werden eine hochperformante, integrierte technische Infrastruktur, neuartige Indexstrukturen und Datenreduktionsverfahren sowie fortgeschrittene analytische Verfahren für verschiedene Einsatzszenarien entwickelt und erprobt. So soll eine schnelle und zuverlässige Verarbeitung großer, heterogener und zum Teil unstrukturierter und unzuverlässiger Daten ermöglicht werden. Die Lösungen werden mit spezifischen Problemstellungen in drei Anwendungsfällen adressiert, empirisch validiert und weiterentwickelt.
Projektpartner:
FZI Forschungszentrum Informatik am Karlsruher Institut für Technologie, disy Informationssysteme GmbH, EXASOL AG, EFTAS Fernerkundung Technologietransfer GmbH, Universität Konstanz, Hochschule Karlsruhe - Technik und Wirtschaft, Landesanstalt für Umwelt, Messungen und Naturschutz Baden-Württemberg (LUBW)
Ansprechpartner:
FZI
|
BDSec |
Big Data Security
Kurzfassung:
Der wirksame Schutz von IT-Systemen gegenüber Angriffen und Bedrohungen hat aktuell einen hohen Stellenwert erlangt. Mit Big-Data-Technologien wird es möglich, aus den riesigen Datenmengen sicherheitsrelevante Informationen zu extrahieren, um in Echtzeit nützliche und verlässliche Entscheidungshilfen zur zeitnahen Angriffserkennung und -verhinderung zu gewinnen. In dem Projekt „BDSec“ sollen daher Big-Data-Technologien erforscht werden, die für viele Bereiche der IT-Sicherheit von Nutzen sein können. Vier Anwendungsfälle aus unterschiedlichen Bereichen sollen exemplarisch behandelt werden, um breitenwirksame Problemlösungen zu entwickeln und Synergieeffekte zu erforschen. Die Anwendungsfälle können hinsichtlich Einzel- und Massenangriffen sowie des Angriffsziels auf der Ebene der Dienste und Anwendungen (sog. Applikationsschicht) oder der Ebene der Datenübertragung (sog. Netzwerkschicht) unterschieden werden.
Projektpartner:
Leibniz Universität Hannover, Ruhr-Universität Bochum, Fraunhofer-Einrichtung für Angewandte und Integrierte Sicherheit (AISEC), CE-CIX Management GmbH, SAP SE
Ansprechpartner:
Forschungszentrum L3S, Leibniz Universität Hannover
Projektblatt
|