Datentyp: Graphen

Graphen sind ideale Werkzeuge, um komplexe Datenstrukturen sichtbar zu machen und Beziehungen, Muster sowie Zusammenhänge zu verstehen. Sie bestehen aus Knoten und Kanten, die durch Zahlen oder Texte ergänzt werden können, und werden in vielen Bereichen eingesetzt – von Verkehrsnetzen über Marktplätze bis hin zu Molekülen.

Mit Generativer KI wird die Arbeit mit Graphen noch effektiver:

• Strukturen intelligent analysieren – komplexe Zusammenhänge sofort erkennen
• Fehlende Informationen ergänzen – Lücken in den Daten automatisch schließen
• Zukünftige Entwicklungen vorhersagen – Trends und Werte präzise prognostizieren

Graph Neural Networks erlauben dabei zusätzlich heterogene Attribute und Nachbarschaften zu berücksichtigen, sodass Graphen noch aussagekräftiger werden. Ob textlich, mathematisch oder visuell – Unternehmen können Graphen effizient auswerten und gezielt einsetzen. Das bringt Unternehmen einen Mehrwert in unterschiedlichen Anwendungsfeldern:

• Netzwerke, Prozesse und Systeme optimieren
• Risiken frühzeitig erkennen und minimieren
• Neue Geschäftspotenziale erschließen

Assistenzsystem zur Parameterwahl für Produktionsprozesse
 

Die Herausforderung
Generative KI kann eingesetzt werden, um technische Zusammenhänge aus Elektroschaltplänen als Graphen darzustellen. Diese Graphen bilden die Grundlage für eine effizientere Steuerung und Überwachung von Anlagen. Moderne Sprachmodelle können darauf basierend bereits Steuerungscode für speicherprogrammierbare Steuerungen generieren.  

Die Fraunhofer-Lösung
Am Fraunhofer IOSB-INA werden für unterschiedliche Anwendungsfälle gemeinsam mit Industriepartnern Ansätze erarbeitet, um Informationen aus Schemata (Elektro- und Pneumatikschemata oder Fließbilder) für RAG-Systeme mit Sprachmodellen nutzbar zu machen. Bei der automatisierten Prozess- und Anlagenüberwachung können spezifische Handlungsempfehlungen basierend auf erkannten Anomalien sowie Informationen aus Handbüchern und Schemata gegeben werden.  

Der Vorteil für Unternehmen
Die Steuerungsentwicklung wird durch den Einsatz dieser Technologien effizienter und weniger fehleranfällig, da Domänenwissen automatisiert verfügbar gemacht wird und so auch Quereinsteiger leichter Zugang finden. Für Unternehmen bedeutet das höhere Effizienz in Entwicklung und Überwachung, was Kosten senkt und Reaktionszeiten verkürzt. Zudem reduziert die automatisierte Informationsabfrage den manuellen Aufwand und minimiert Fehler bei Programmierung und Wartung.  

Learnassistent für die Personalisierung in Lernplattformen

Die Herausforderung
In der Bildungslandschaft besteht die große Herausforderung darin, Lerninhalte effizient und gleichzeitig individuell an die Bedürfnisse einzelner Lernender anzupassen.  

Die Fraunhofer-Lösung
Der LLM basierte Lernassistent „rAIbert“, der in bestehenden Lernmanagementsystemen der Bundeswehr integriert ist, generiert  neue Inhalte, wie personalisierte Übungsaufgaben, basierend auf den individuellen Fortschritten und Vorlieben der Lernenden. RAIbert analysiert Lernstände, unterstützt bei der Anpassung der Lerninhalte und verarbeitet detaillierte Interaktionsdaten. Der Einsatz von rAIbert hat gezeigt, dass Lehrende Zeit bei der Bearbeitung von Standardaufgaben sparen und Lernende motivierter und effizienter lernen

Der Vorteil für Unternehmen
Unternehmen und Bildungseinrichtungen profitieren von der Individualisierung von Lernmaterialien, da diese eine kontinuierliche Motivation und Selbstdisziplin der Lernenden fördern. Der Einsatz von GenAI ermöglicht eine effektive Anpassung der Lerninhalte an die heterogenen Bedürfnisse der Zielgruppen, was die Lernergebnisse verbessert. Durch die Automatisierung von Standardaufgaben können Lehrende entlastet werden, während Lernende durch personalisierte Ansprache und adaptive Inhalte effizienter lernen.  

De-Novo-Molekulardesign für gezielt ausgelegte Substanzen
 

Die Herausforderung
Im Kontext der Energiewende ist die effiziente Suche nach neuen Substanzen entscheidend. Besonders relevant sind organische Moleküle, die kostengünstig produziert und umweltfreundlich entsorgt werden können. Jedes Molekül wird dabei als Graph aus Atomen dargestellt. Angesichts des riesigen chemischen Raums von geschätzten 106010^{60}1060 potenziell wirksamen Molekülen ist eine gezielte Generierung von Kandidatenlisten unerlässlich.

Die Fraunhofer-Lösung
Ein Beispiel hierfür ist das Modell LLaMol, das im Rahmen des H2020-Projekts SONAR entwickelt wurde. Es ermöglicht die gezielte Generierung von Molekülen unter bestimmten Bedingungen, etwa für Eigenschaften wie SAScore, logP-Wert, Molekulargewicht oder spezifische Subfragmente. Das Modell wird aktuell um weitere Eigenschaften erweitert und kann durch Nachtraining auf kundenspezifische Daten angepasst werden.

Der Vorteil für Unternehmen
Unternehmen profitieren von der Verwendung von GenAI für die gezielte Generierung neuer Materialien, da dies den Suchprozess optimiert und die Anzahl der notwendigen Experimente im Molekulardesign reduziert. Dies führt zu schnelleren Innovationszyklen und der Möglichkeit, spezifische Moleküle mit gewünschten Eigenschaften zu entwickeln, was die Wettbewerbsfähigkeit steigert. Die Anpassungsfähigkeit von Modellen wie LLaMol an spezifische Anforderungen ermöglicht es Unternehmen, maßgeschneiderte Lösungen zu entwickeln, die den Bedürfnissen der Energiewende und anderen technologischen Herausforderungen gerecht werden.

Prognose von Verkehrsmengen für die Standortplanung

Die Herausforderung
Umfassendes Wissen über das Verkehrsgeschehen und das Mobilitätsverhalten ist für viele Branchen und Behörden wichtig, doch die empirische Erhebung dieser Daten ist aufwendig und oft unzureichend.  

Die Fraunhofer-Lösung
Graph-Transformer und Diffusionsmodelle ermöglichen die Erstellung eines gerichteten Graphen des Straßennetzes, in dem Merkmale wie Abbiegeinformationen und Orte von Interesse hinzugefügt werden. Die Modelle können dazu verwendet werden, die durchschnittliche Anzahl von Personen vorherzusagen, die bestimmte Orte zu einem bestimmten Zeitpunkt passieren. Sie bieten eine hohe Kontrolle über die Qualität und Vielfalt der Ergebnisse und haben sich bei der Prognose von Verkehrsströmen als effektiv erwiesen.

Der Vorteil für Unternehmen
Unternehmen und Behörden profitieren von diesen Technologien, da sie eine wesentlich bessere Erfassung der Verbindungsstruktur und eine erhebliche Beschleunigung der Frequenzprognose ermöglichen. Die Kombination von Graph-Transformern und Diffusionsmodellen erlaubt eine flexible und präzise Modellierung des Verkehrsgeschehens, was für die Logistik, den Handel und die Infrastrukturplanung von entscheidender Bedeutung ist. Durch die Verbesserung der Datenqualität und die Erhöhung der Vorhersagegenauigkeit können Unternehmen fundierte Entscheidungen treffen und ihre Planungsprozesse optimieren.

Eine flexible Datenstruktur für effiziente Schiffsüberwachung
 

Die Herausforderung
In der maritimen Überwachung ist die Überwachung des Schiffsverkehrs auf verdächtige Bewegungsmuster eine große Herausforderung.. Die Identifikation von auffälligen Situationen im Seeverkehr, erfordert den Einsatz von GenAI-Methoden. Diese Methoden basieren auf Schiffsbewegungsdaten, Wetterdaten sowie Informationen über Standorte von Unterseekabeln und -pipelines. Aufgrund der Vielzahl an Datentypen aus unterschiedlichen Anwendungen ist die Entwicklung von effektiven Modellen komplex.  

Die Fraunhofer-Lösung
Das Fraunhofer IOSB hat einen Ansatz entwickelt, der eine flexible Datenstruktur verwendet, um eine breite Palette von Situationen abzubilden und diese mit geringem Aufwand an neue Gegebenheiten anzupassen. Dabei werden Zeitreihen durch gerichtete Graphen modelliert. Hierbei werden Schiffsbewegungsdaten, kinematische Informationen sowie statische Daten wie Schiffstyp und Endziel gesammelt. Der resultierende Graph kann durch Graph Neural Networks verarbeitet werden, um interessante Situationen zu detektieren.

Der Vorteil für Unternehmen
Für Unternehmen bietet das Framework mehrere Vorteile: Die Darstellung von Zeitreihendaten als Graphen ermöglicht eine präzisere Erkennung von Mustern und auffälligen Situationen. Gleichzeitig dient die flexible Struktur als Grundlage für die Entwicklung weiterer Anwendungen mit fortgeschrittenen Modellen wie Graph-Transformern oder Sprachmodellen. Da das Framework unabhängig von der Anzahl der Schiffe ist, lässt es sich kosteneffizient auf neue Anwendungsfälle übertragen und bietet so hohe Skalierbarkeit und Anpassungsfähigkeit.

Flexibles Management für Telekommunikationsnetzwerke
 

Die Herausforderung
Die Entwicklung der Telekommunikationsnetze hat sich dramatisch beschleunigt, und die Netzwerke der nächsten Generation, wie 5G- und 6G-Netze, werden durch die Einbindung vielfältiger Technologien komplexer. Die Einführung nicht öffentlicher Mobilfunknetze (NPN) ermöglicht es Organisationen, eigene Netzwerke zu betreiben, was jedoch die Verwaltung und Optimierung dieser komplexen Systeme zu einer aufwendigen und zeitintensiven Aufgabe macht. Traditionelle richtlinienbasierte Verwaltungs- und Kontrollsysteme (PBMC) sind kostspielig, da eine Vielzahl von Komponenten getestet werden muss, um den optimalen Betriebszustand zu erreichen. Zudem erfordert die Komplexität große Fachexpertise, was die Herausforderungen bei der Netzverwaltung weiter verstärkt.

Die Fraunhofer-Lösung
Das Fraunhofer FOKUS hat neue Ansätze entwickelt, die auf Transformer-Modellen basieren, um die Netzverwaltung zu vereinfachen. Diese Modelle nutzen Wissensgraphen, um Netzwerkdaten in natürlicher Sprache darzustellen, sodass sie sowohl für Menschen als auch für Maschinen verständlich sind. Ein spezielles Transformer-Modell, KG-GPT, verwendet Wissensgraphen, um Informationen über den Systemzustand zu verarbeiten.

Der Vorteil für Unternehmen
Unternehmen profitieren von dieser Lösung, da sie die Komplexität der Netzverwaltung erheblich reduzieren und die Effizienz steigern. Durch die Verwendung von Wissensgraphen und Transformers wird eine klare, maschinenverständliche Darstellung der Netzwerkdaten ermöglicht, die eine schnellere und präzisere Entscheidungsfindung fördert. Dies führt zu einer kosteneffizienten Verwaltung der Netzwerke und ermöglicht Organisationen, ihre eigenen Mobilfunknetze effektiver zu betreiben.