VAVTech - Visuelle Analyse zur Vorhersage Relevanter Technologien durch Neuronale Netze

Highlights

Projekt-Highlight

Im Rahmen des Projekts VAVTech soll ein visuelles Analysesystem entwickelt werden, das ermöglicht,
relevante Technologien möglichst früh zu erkennen und deren potenziellen Verlauf vorherzusagen.

Neue Technologien sowie bereits vorhandene, jedoch ungenutzte Technologien, haben das Potenzial, die Innovationskraft von Unternehmen nachhaltig zu steigern und deren zukünftigen Erfolg zu sichern.
Werden diese relevanten Technologien und die damit verbundenen neuen Anwendungsbereiche jedoch nicht früh genug erkannt, können sich Mitbewerber frühzeitig in diesen Bereichen etablieren.

Des Weiteren bergen außeracht gelassene neue Technologien das Risiko, bei Markteintritt den
entsprechenden Markt disruptiv zu verändern und unvorbereitete Unternehmen zu verdrängen. Deshalb sind valide Analysen und Vorhersagen potenzieller zukünftiger Technologien wichtiger als je zuvor.

Projektinformationen

Entwicklung eines visuellen Analysesystems, welches ermöglicht relevante Technologien frühest-
möglich zu erkennen und Prognosen zu erstellen.

  • Als Datenbasis für das Analysesystem sollen wissenschaftliche Publikationen dienen, da diese die jeweiligen Technologien in einem sehr frühen Stadium vorstellen. Das System wird in erster Linie neuronale Netze und interaktive Visualisierungen kombinieren und Unternehmen, Unternehmensgründern sowie strategischen Berater*innen eine Analyse und Vorhersage von Potenzialen neuer und weitestgehend unbekannter Technologien bieten.

  • Das System soll modular entwickelt werden, sodass der Transfer in anderen Domänen gewähr-
    leistet wird. Im Rahmen des Projektes soll ein funktionierender Demonstrator mit Realdaten
    entstehen und den Grundstein f    ür weitere Arbeiten im Bereich der strategischen Vorausschau durch die Anwendung der Methoden der künstlichen Intelligenz legen.

  • Eine valide Vorhersage potenzieller zukünftiger Technologien in einer frühen Phase stärkt die
    strategische Ausrichtung von Unternehmen und ist demnach von hoher Bedeutung f    ür die
    Wirtschaft. 
  • Der Mehrwert der anvisierten Technologie liegt in der frühen Identifikation von potenziell
    aufkommenden Technologien. Das Innovationspotential liegt in der zwar recht simplen, aber
    effektiven Vorgehensweise. So werden Zeitreihen von     über 20 Millionen Publikationen und darin vorkommende automatisiert ermittelte technologische Terme in Perioden aufgeteilt. Anhand von Ähnlichkeitsalgorithmen werden Perioden erfolgreicher bzw. im Markt etablierter Technologien
    ermittelt und das System angelernt.

  • Das visuelle System stellt alle Prozessschritte transparent dar und ermöglicht das Nachvollziehen des gesamten Verfahrens.

  • Das Ergebnis ist ein Prototyp, der im späteren Verlauf durchaus wirtschaftlich und wissenschaftlich verwertet werden kann.

  • Die Vorarbeit führte bereits zu insgesamt mehr als 30 Publikationen, 10 Algorithmen,
    10 Visualisierungslayouts und diversen Softwaremodulen in diesem Bereich und zu einer weiten
    internationalen Sichtbarkeit und Kooperationen gef    ührt haben.

Das Vorhaben wird modular implementiert, sodass eine einfache Übertragung in andere Domänen und für andere Daten ermöglicht wird. Des Weiteren wird eine Webschnittstelle (API) zur Verfügung gestellt, die die Ergebnisse für andere Zwecke und in anderen Systemen erlaubt. Der modulare
Aufbau dient in erster Linie zur Umsetzung eines ganzheitlichen Analysesystems und stellt einen essenziellen Teil des Gesamtsystems dar.

Veröffentlichungen

Die eigenen Vorarbeiten reichen von 2012 Stab et al. (2012) mit einem ersten Ansatz zur Analyse von möglichen Trends am Fraunhofer IGD bis hin zu diversen Verfahren, Modelle und Technologien zu
“Visual Trend Analytics” Nazemi & Burkhardt (2019b); Nazemi et al. (2015); Nazemi (2016); Burkhardt et al. (2019); Nazemi & Burkhardt (2019a); Nazemi et al. (2020; 2021); Kovalerchuk et al. (2022a;b);
Nazemi et al. (2022) in Kooperation mit nationalen und internationalen Partnern.

Status: laufend

Gesamtverantwortliche: Prof. Dr. Kawa Nazemi

Projektleitung: M.Sc. Cristian Secco

fz ai - Projekt in Kooperation mit fz dkmi

dkmi-Mitglied

Keine Einträge.