In der Zeitschrift Universal Access in the Information Society ist der Artikel "Application of logistic regression to explain internet use among older adults: a review of the empirical literature" erschienen. Wenngleich immer mehr ältere Menschen das Internet für zunehmend vielfältige Zwecke nutzen, bestehen weiterhin digitale Ungleichheiten in dieser heterogenen Bevölkerungsgruppe. Zur Erforschung der digitalen Nicht-Nutzung werden häufig logistische Regressionsmodelle auf Basis von Querschnittsdaten entwickelt. Allerdings erfordert die Anwendung der logistischen Regressionsanalyse besondere Sorgfalt bei der Modellentwicklung. Hier setzt die Untersuchung von Jörg Leukel, Gülistan Özbek und Vijayan Sugumaran an, die einem systematischen Prozess 36 Querschnittstudien auswählte und die Qualität der Berichterstattung mittels neun gut etablierter Kriterien bewertete. Die Ergebnisse liefern umfassende Einsichten in die Berichterstattung und legen Mängel in der Überprüfung von wichtigen Modellannahmen und der Bewertung der Modellgüte offen. Zugleich werden Vorschläge unterbreitet, wie die Vollständigkeit, Einheitlichkeit und Vergleichbarkeit von Einzelstudien verbessert werden kann. Diese Maßnahmen können die Integration der empirischen Evidenz erleichtern und schließlich dazu beitragen, die Nicht-Nutzung des Internets besser zu verstehen. Der Artikel ist im BMBF-Forschungsprojekt UrbanLife+ entstanden und hier abrufbar: https://doi.org/10.1007/s10209-022-00960-1

In der Zeitschrift International Journal of Quality & Reliability Management ist der Artikel “Machine learning-based failure prediction in industrial maintenance: improving performance by sliding window selection” erschienen. In der industriellen Instandhaltung werden Machine-Learning-Verfahren zunehmend für die Prognose von Maschinenausfällen eingesetzt. Allerdings steht die Entwicklung solcher Prognoseverfahren vor der Frage, wie die Zeitfenster für die Prognose und die zu verarbeitenden Betriebsdaten zu wählen sind, um eine hohe Prognosegüte zu erzielen. Dem Einfluss dieser Prognose -und Lesefenster auf die Prognosegüte ist bislang wenig Aufmerksamkeit zuteilgeworden. Hier setzt die Arbeit von Jörg Leukel, Julian González und Martin Riekert an, die in einem faktoriellen Experiment den Einfluss von Prognose- und Lesefenster für drei Machine-Learning-Algorithmen (Random Forests, Support Vector Machines, Linear Regression) und vier Metriken (Accuracy, Precision, Recall, F-Score) untersuchte. Die Ergebnisse zeigen einen positiven Effekt kürzerer Prognosefenster und eine nicht-monotone Beziehung zwischen Lesefenster und Prognosegüte. Zugleich verdeutlicht die Untersuchung, wie die systematische Variation beider Zeitfenster und die Nutzung differenzierter Gütemaße dazu beitragen kann, die Prognosegüte zu erhöhen. Somit erweitern die Ergebnisse das Gestaltungswissen für die ML-basierte Maschinenausfallprognose. Der Artikel ist im BMWK-Forschungsprojekt PlatonaM entstanden und hier abrufbar: https://doi.org/10.1108/IJQRM-12-2021-0439

Heute beteiligten wir uns an der Präsentation des Verbundprojekts Digitale Wertschöpfungsketten für eine nachhaltige kleinstrukturierte Landwirtschaft (DiWenkLa) auf dem 101. Landwirtschaftlichen Hauptfest. Bei sonnigen Wetter war das Festgelände Canstatter Wasen sehr gut besucht. Die Besucher*innen hatten die Gelegenheit, sich über innovative digitale Technologien in der Landwirtschaft zu informieren, wie beispielsweise für die Ertragsprognose im Weidemanagement.

Heute wurde ein zweitägiges Konsortialtreffen des Verbundprojekts Künstliche Intelligenz für eine effiziente und resiliente Agrartechnik (KINERA) erfolgreich beendet. Die beteiligten Praxispartner (Horsch, Claas) betonten dabei die Bedeutung und Relevanz von Technologien der Künstlichen Intelligenz für die moderne Landwirtschaft. Damit verbunden gab Frau Dr. Hoffmann von der Gesellschaft für Informatik in der Land-, Forst- und Ernährungswirtschaft e. V. (GIL) spannende Einblicke in die Dynamik, die durch digitale Technologien in AgriFood-Wertschöpfungsketten entstehen. Das Projektkonsortium erarbeitet innovative, KI-basierte Lösungen für hohe landwirtschaftliche Produktivität und Widerstands- bzw. Adaptionsfähigkeit der Produktionsprozesse.

Heute stellte Tobias Zimpel auf dem IJCAI 2022 International Workshop on Process Management in the AI era seinen Beitrag „Association Rule Mining to Study Process-Related Cause-Effect-Relationships in Pig Farming“ (Co-Autoren: Andrea Wild, Hansjörg Schrade, Stefan Kirn) vor. Der Workshop fand im Rahmen der IJCAI 2022 statt. Die IJCAI ist die führende Konferenz im Bereich der Künstlichen Intelligenz und wurde in diesem Jahr in Wien ausgerichtet. In diesem Beitrag ging es um ein auf maschinellen Lernverfahren basierendes Verfahren für plausible Vorschläge für Ursache-Wirkungsbeziehungen in der Schweinehaltung. Hierbei werden Prozessdaten mit verschiedenen Funktionen aufbereitet und analysiert. Mit dem Verfahren werden Assoziationsregeln erstellt, die auf der Testmenge Confidence Werte zwischen 0,65 und 0,99 erzielen. Der Beitrag ist im Forschungsprojekt Landwirtschaft 4.0: Informationssystem für die Schweinehaltung (Phase 2.0) entstanden.

Das Verbundprojekt Digitale Wertschöpfungsketten für eine nachhaltige kleinstrukturierte Landwirtschaft (DiWenkLa) lud heute zu einem Praxistaustausch zum Thema Digitale Techniken im Grünland und in der Rinderhaltung ein. Vier Teilprojekte stellten im Bürgerhaus Langenordnach ihre Forschungsergebnisse vor und diskutierten sie mit Landwirten aus dem Hochschwarzwald. Im Mittelpunkt stand die Frage, wie digitale Techniken das Weidemanagement unterstützen können, insbesondere durch Monitoring des Tierverhaltens, Ermittlung von Grünlandbeständen und frühzeitige Prognose des Gründlandertrages. Unter anderem berichtete Jörg Leukel über von uns entwickelte Machine-Learning-basierte Prognoseverfahren, die mittels Realdaten von vier Betrieben trainiert und evaluiert wurden. Alle Vortragsunterlagen können hier online abgerufen werden.

Der GLS Campus im Bezirk Prenzlauer Berg war heute Ausrichtungsort der Abschlussveranstaltung des BMWK-Technologieprogramms „Smarte Datenwirtschaft“. Die 21 Verbundprojekte zogen nach dreijähriger Forschungs- und Entwicklungsarbeit Bilanz und stellten ihre Ergebnisse der Fachöffentlichkeit vor. Wir waren mit unserem Projekt PlatonaM zu Machine-Learning-Verfahren für Predictive Maintenance und dem Projektteam (Luca Scheurer, Tobias Zimpel) vertreten. Der Tag bot mit Sessions zu Plattformtechnologien, Digitalisierungsprozessen, Preisfindung, KI, Regulierung und Data Spaces vielfältige Möglichkeiten für den Austausch mit Expert*innen aus Unternehmen, Wissenschaft und Technologieförderung.

Ein häufiges Problem in der landwirtschaftlichen Pflanzenproduktion sind unerwartete Wetterbedingungen bzw. Extremwetterereignisse. Diese machen es erforderlich, Aufgaben der Feldbestellung schneller abzuschließen als ursprünglich geplant. Oftmals ist das nur unter Zuhilfenahme zusätzlicher Maschinen möglich, welche sich Landwirtinnen und Landwirte bspw. über genossenschaftliche Maschinenringe organisieren können. Auf dem Workshop „Modelle und KI (MoKI’22)“ im Rahmen der Konferenz „Modellierung 2022“ der Gesellschaft für Informatik (GI) stellte Dr. Marvin Hubl ein formales Modell für das Problem vor, welches sich aus der kurzfristigen Koordination der zusätzlichen Maschinen ergibt. Ziel ist es eine möglichst effiziente Auslastung der Maschinen sowie eine möglichst hohe Flächenleistung. Die kurzfristige Anpassung an die ungeplanten Extrembedingungen stellt eine Form ökonomischer Prozess-Resilienz dar. Für die Lösung des Koordinationsproblem wird in der laufenden Forschungsarbeit ein Verfahren der Künstlichen Intelligenz implementiert.

Referenz zum Workshop-Beitrag: Hubl, M. (2022) "Modeling an Agricultural Process Coordination Problem to Enhance Efficiency and Resilience with Methods of Artificial Intelligence". In: J. Michael, J. Pfeiffer, A. Wortmann (Hrsg.) Modellierung 2022 Satellite Events. Digital Library, Gesellschaft für Informatik e.V.

Heute beteiligten wir uns am Tag der offenen Tür auf dem Ihinger Hof, direkt im Anschluss an den DiWenkLa-Tag. Die Öffentlichkeit hatte Gelegenheit, innovative digitale Technologien in der Landwirtschaft kennen zu lernen und mit Expert*innen aus Wissenschaft und Wirtschaft ins Gespräch zu kommen. Das Verbundprojekt DiWenkLa stellte Lösungsansätze für Smart Farming vor, wie Pflanzung, Düngung, Fütterung und Ertragsschätzung. Hierzu gehörten Vorträge, Feldvorführungen, Infostände und ein Wissensspiel für Kinder.

Heute stellte das Verbundprojekt Digitale Wertschöpfungsketten für eine nachhaltige kleinstrukturierte Landwirtschaft (DiWenkLa) die jüngsten Ergebnisse aus Forschung & Entwicklung öffentlich vor. Hierzu kamen auf dem Ihinger Hof die 14 Teilprojekte (Universität Hohenheim, Hochschule Nürtingen) sowie weitere Expert*innen aus Wissenschaft, Verwaltung und Wirtschaft zum DiWenkLa-Tag 2022 zusammen. Zum Programm gehörten wissenschäftliche Vorträge, Live-Vorführungen auf dem Feld und ein Infomarkt. Vom Lehrstuhl berichteten Jörg Leukel und Tobias Zimpel über die Entwicklung von Machine-Learning-Verfahren für die Ertragsprognose in der Grünlandbewirtschaftung. Insbesondere verdeutlichen die bislang durchgeführten Experimente, (1) den Einfluss des Prognosefensters auf die Prognosegüte, (2) die Bedeutung von automatischen Feature-Selection-Methoden und (3) wie mit vergleichsweise kleinen Datasets Prognosemodelle trainiert werden können. Im DiWenkLa-Verbund stehen künftig sehr große reale Datasets zur Verfügung, um die Robustheit der Prognoseverfahren rigoros zu evaluieren und Gestaltungsempfehlungen für die Nutzung in der Praxis abzuleiten.

Heute wurden die Ergebnisse des BMWi-Technologieprojekt PlatonaM im Rahmen eines Abschlussseminars in Leipzig vorgestellt. Hierzu kamen beim Verbundkoordinator InfAI Management GmbH die Beteiligten Unternehmen und Forschungseinrichtungen sowie Projektträger DLR und Begleitforschung (VDI/VDE Innovation + Technik GmbH) zusammen. PlatonaM entwickelte in den vergangenen dreieinhalb Jahren ein Plattform-basiertes Ecosystem für Predictive Maintenance. Hierzu entwarf das Lehrstuhl-Team u.a. neuartige Machine-Learning-Verfahren für die Fehlerprognose und evaluierte diese Verfahren in experimentellen Studien mit realen Datasets aus der Industrie. In Leipzig berichteten Jörg Leukel, Luca Scheurer und Tobias Zimpel über die zuletzt durchgeführten Untersuchungen sowie Schlussfolgerungen für die Umsetzung von ML-Prognoseverfahren in der Praxis und die Gestaltung von Datenplattformen. Die Ergebnisse der Universität Hohenheim dokumentieren sich in wiss. Veröffentlichungen, Datasets und Prototypen sowie Abschlussarbeiten und neuen Lehrinhalten.