Muster und Regeln in komplexen Daten erkennen und daraus einen ML-Prototyp entwickeln.
Sie möchten wissen, welche Gruppen, Auffälligkeiten oder Beziehungen in Ihren Daten für eine konkrete Unternehmensfrage relevant sind. Viele Variablen und uneinheitliche Daten machen diese Zusammenhänge schwer erkennbar.
IAP untersucht Datenqualität, Verteilungen und Beziehungen zwischen Variablen. Clusteranalysen und Projektionen machen Gruppen und Ausreißer sichtbar. Gemeinsam mit Ihren Experten klären wir, welche Strukturen die Unternehmensfrage beantworten und welche Annahmen weiter untersucht werden müssen.
Sie erhalten eine Analyse der relevanten Muster, Visualisierungen und eine Bewertung der Machbarkeit. Ein anschließender ML-Prototyp kann die erkannten Zusammenhänge zur Klassifikation oder Prognose nutzen. Seine Bewertung zeigt, ob sich eine weitere Entwicklung für Ihre Aufgabe lohnt.
Fachliche Details lesen ↓Zunächst werden Datenqualität, Repräsentativität und die Bedeutung einzelner Variablen für das Geschäftsziel geprüft. Dichteschätzung beschreibt, wo sich Beobachtungen häufen oder mehrere Teilpopulationen vorliegen. Geeignete Ähnlichkeits- und Distanzmaße bestimmen, welche Fälle sinnvoll vergleichbar sind.
Clusteranalyse, Projektion und die Untersuchung von Variablenbeziehungen können Gruppen, Ausreißer und geeignete Merkmale sichtbar machen. Daraus lassen sich je nach Aufgabe Klassifikatoren für Kategorien, Regressoren für Zahlenwerte oder Prognoseverfahren entwickeln. Fachliche Interpretation und Prüfung an zurückgehaltenen Daten gehören zur Bewertung.
Symbolische Verfahren überführen geeignete Muster in überprüfbare Regeln. Fuzzy-Logik kann graduelle Zugehörigkeiten beschreiben; Prädikatenlogik kann Bedingungen und Beziehungen ausdrücklich formulieren. Das Ziel ist Wissen, das Fachleute prüfen und in einem Entscheidungsunterstützungssystem nutzen können. Neue Erkenntnisse fließen iterativ in Datenaufbereitung und Methodenwahl zurück.
Behnisch, M. & Ultsch, A. (2015). Knowledge Discovery in Spatial Planning Data: A Concept for Cluster Understanding. In: Computational Approaches for Urban Environments, pp. 49–75. Springer.
Beschreibt den Weg von Datenprüfung und Clusteranalyse zu verständlichen Regeln und fachlich nutzbarem Wissen.
López-García, P. A., Argote, D. L., Torres-García, M. A. & Thrun, M. C. (2024). Knowledge Discovery from Archaeological Materials. Elements in Current Archaeological Tools and Techniques. Cambridge University Press.
Verbindet Methoden der Wissensentdeckung und Klassifikation mit ihrer fachlichen Anwendung an archäologischen Materialien.
Thrun, M. C. & Ultsch, A. (2020). Swarm-Based Cluster Analysis for Knowledge Discovery. In: Schmid, U., Klügl, F. & Wolter, D. (eds.), KI 2020: Advances in Artificial Intelligence. Lecture Notes in Computer Science, Vol. 12325, pp. 240–244. Springer.
Schwarmbasierte Clusteranalyse zur Entdeckung von Gruppen in Daten.
Thrun, M. C. (2022). Exploiting Distance-Based Structures in Data Using an Explainable AI for Stock Picking. Information, 13(2), 51. MDPI.
Zeigt, wie distanzbasierte Datenstrukturen in erklärbare Entscheidungsregeln überführt und für die Aktienauswahl untersucht werden.
Kooperationsprojekt · Machbarkeitsstudie (PoC)
Unternehmenskennzahlen sollten für eine systematische und menschlich überprüfbare Aktienauswahl nutzbar gemacht werden.
Projekt im Detail →
Prototyp für das Klinikum · gemeinsame Forschung
Die Qualität von Blut- und Knochenmarkproben beeinflusst die Interpretation ihrer Messdaten. Verdünnung und komplexe Zellpopulationen müssen bei der Auswertung berücksichtigt werden.
Projekt im Detail →
Datenanalyse · vertiefende Methodenentwicklung
Welche Zusammenhänge bestehen zwischen der Nutzung einer Unternehmenswebsite und späteren Projektanfragen? Für LANCOM Systems wurden Besuchsverläufe und zugehörige Projektinformationen untersucht.
Projekt im Detail →
Machbarkeitseinschätzung · Feasibility
Welche Aufgaben in Marketing und Warenplanung eignen sich für einen gezielten KI-Einsatz? The Body Shop benötigte eine Einschätzung möglicher Anwendungen und der Voraussetzungen für ihre Umsetzung.
Projekt im Detail →Option 1
IAP untersucht die Aufgabe, entwickelt und bewertet den Ansatz und übergibt den vereinbarten Prototyp mit Dokumentation. Ihre IT übernimmt die weitere Produktentwicklung und den Betrieb.
Option 2
IAP entwickelt die vereinbarte Anwendung einschließlich Oberfläche und Schnittstellen, integriert sie in den vorgesehenen Ablauf und führt Abnahme und Übergabe durch. Ihre Organisation oder Ihr Betriebspartner übernimmt den anschließenden Betrieb.
Im kostenlosen, unverbindlichen 20-Minuten-Erstgespräch klären wir Ihr Ziel, die Ausgangslage und einen sinnvollen nächsten Schritt.
