Name des Teilnehmers: Zhen Han
Beschreibung des IT-Forschungsprojekts: Im Zeitalter der Digitalisierung suchen Unternehmen nach Möglichkeiten, ihre Produktionsprozesse mithilfe von Big Data und künstlicher Intelligenz (KI) zu verbessern. Sie wollen Daten so effektiv wie möglich modellieren, um nützliche Informationen zu finden, Vorhersagen zu treffen und die Entscheidungsfindung zu unterstützen. Dabei stellt sich natürlich die Frage, wie das Unternehmenswissen und die im Produktionsprozess gesammelten Daten zu verwalten sind. Traditionelle Algorithmen der künstlichen Intelligenz gehen davon aus, dass die Eingabedaten identisch und unabhängig verteilt sind. Große Datenmengen liegen jedoch in Form von Graphen vor, so dass sie nicht nur aus Merkmalsvektoren, sondern auch aus Beziehungen zwischen Entitäten bestehen. Zu diesem Zweck bieten Wissensgraphenmodelle eine kompakte und umfassende Lösung. Wissensgraphen stellen verwandte Entitäten in Form von Tripeln (Subjekt, Relation, Objekt) dar. Auf diese Weise kann Domänenwissen als ein Netzwerk von realen Entitäten, d.h. Objekten oder Konzepten, dargestellt werden. Außerdem können sich die Beziehungen zwischen den Entitäten im Laufe der Zeit ändern. Daher müssen sollte nur die die strukturellen Abhängigkeiten zwischen Entitäten, sondern auch die zeitliche Dynamik mit einbezogen werden.
Bestehende Ansätze behandeln zeitliche Informationen und stationäre strukturelle Abhängigkeiten immer getrennt. Viele industrielle Szenarien erfordern jedoch die Nutzung sowohl statischer als auch dynamischer multirelationaler Daten, um die Entscheidungsfindung zu unterstützen und die industrielle Kette zu verbessern. So ist beispielsweise die vorausschauende Wartung eine Schlüsseltechnologie zur Minimierung von Ausfallzeiten. Um dies zu erreichen, müssen sowohl die statischen maschinenstrukturellen Abhängigkeiten, z. B. Hyponymiebeziehungen zwischen verschiedenen Teilen, als auch die zeitlichen Informationen von den Sensoren an den Teilen und die historischen Wartungsaufzeichnungen modelliert werden. In der Kommunikationsbranche sind die Merkmale von Basisstationen, wie ihre maximale Arbeitslast und geografische Position, stationär. Das Nutzeraufkommen um die Stationen herum ist jedoch zeitabhängig. Um die Ressourcenzuweisung und den Netzverkehr zu optimieren, muss daher sowohl statische als auch zeitliche Informationen analysiert werden.
Motiviert durch die oben genannten industriellen Herausforderungen ist das Ziel dieses Projekts die Verwendung von Wissensgraphen zur Darstellung sowohl statischer als auch zeitlicher industrieller Daten, die viele Schlussfolgerungen ermöglichen und eine Vielzahl nachgelagerter Anwendungen verbessern können. Unter anderem handelt es sich dabei um vorausschauende Maschinenwartung, Empfehlungssysteme und Nachfrageprognosen in der Logistik. Der Aufbau von Wissensgraphen und die Erstellung von Schlussfolgerungen gewinnen immer mehr an Bedeutung und durchdringen viele Branchen. Darüber hinaus fügt sich dieses Forschungsprojekt in die Hightech-Strategie 2025 des Bundesministeriums ein, dessen Ziel es ist, Deutschland an die Spitze der nächsten technologischen Revolution zu bringen.
Software Campus Partner: Ludwig-Maximilians-Universität München & HUAWEI
Umsetzungszeitraum: 01.04.2021 – 31.03.2023
