Company Cooperation Project

Carrera
Inspiriert von Datenanalysen im Motorsport entwickelte ein Team aus PwC Data Scientists und Engineers eine Slotcar-Rennstrecke mit mehreren Sensoren, um Analytics-Anwendungen auf Messen zu demonstrieren. Dabei entstanden neue Ansätze zur Steuerung und Überwachung der Fahrzeuge, während das bestehende Backend in modulare, domänenspezifische Services aufgeteilt wurde. Zusätzlich wurde eine zentrale Kommunikationsschicht eingeführt, die den Datenaustausch zwischen Frontend, Backends und der Cloud koordiniert. Darüber hinaus entwickelte das Team ein Bilderkennungssystem, das die beiden Rennfahrzeuge in einem Live-Videostream einer streckenseitigen Kamera identifizieren kann und so moderne Echtzeit-Datenverarbeitung anschaulich macht.

Projekt Anomaly – Erkennung von Anomalien in Energieverbrauchsdaten
Zuverlässige Prognosen und eine robuste Überwachung sind für Energieversorger entscheidend, um Lastspitzen effektiv zu managen, die Netzstabilität zu gewährleisten und Kundenanforderungen zu erfüllen. Ein besonderer Fokus lag dabei auf der Erkennung externer Faktoren, die Nachfrageanomalien beeinflussen. Studierende entwickelten eine Machine-Learning-Pipeline, um Ausreißer zu erkennen und den Energieverbrauch vorherzusagen. Die Ergebnisse wurden in einem datengetriebenen Dashboard mit zentralen KPIs für eine einfache Wartung visualisiert. Die Schritte umfassten Datenvorverarbeitung, Schockerkennung mit Spitzenkategorisierung und -erklärungen, Modelltraining und -testing sowie automatisierte Nachfrageprognosen mit Dashboard-Integration.

Volatilität & Handelsvolumen
Studierende arbeiteten an einem Markttrend-Projekt, um die Marktstimmung und das Investorenverhalten auf Xetra und Eurex besser zu verstehen. Zu den Projektthemen gehörten die Clusteranalyse von Daten, die Untersuchung der Vorhersagekraft sowie die Analyse von Beziehungen zwischen Datensätzen. Mithilfe von Data Science und Machine Learning bewerteten sie die Vorhersagbarkeit und visualisierten schließlich die Daten, auf deren Grundlage ein Bericht erstellt wurde.

Intelligente Steuerung zur effizienten Enteisung (ICE-AI)
Das Hauptziel ist die Entwicklung eines Computer-Vision-Modells zur Erkennung von Eisbildung an den Leitschaufeln einer Gasturbine. Bei kalten Witterungsbedingungen wird ein Enteisungssystem aktiviert, das heiße Luft aus der Brennkammer nutzt, um die einströmende Luft zu erwärmen und Schäden an den Schaufeln zu vermeiden. Da die Aktivierungsschwellen konservativ gesetzt sind, kommt es derzeit zu Effizienzverlusten. Durch die Integration eines bildbasierten Eiserkennungsmodells in die bestehende Regelungslogik kann das System gezielter zugeschaltet und die Effizienz der Turbine gesteigert werden, ohne das Risiko zu erhöhen. Dazu gehören Bildverarbeitung, Datenaugmentation, Modellierung mit Ansätzen wie 3D-ResNet und Anomalieerkennung sowie Tests mit Infrarotkameras zur Erfassung von Eisbildung.

AI-Powered Cash Forecast
Ziel des Projekts war die Entwicklung eines KI-basierten Modells zur Prognose von Kundenzahlungen und zur deutlichen Verbesserung der Cashflow-Planung. Auf Basis historischer Zahlungsdaten wurde ein Machine-Learning-Modell entwickelt, das das Zahlungsverhalten von Kunden analysiert und vorhersagt. Die Lösung wurde in die bestehende Cloud-Infrastruktur integriert und berücksichtigt unternehmensspezifische Anforderungen wie unterschiedliche Organisationseinheiten und Feiertage. Das Modell ist skalierbar, flexibel auf verschiedene Geschäftsbereiche anpassbar und kann durch kontinuierliches Retraining mit neuen Daten weiter optimiert werden. Dadurch konnten die Prognosegenauigkeit der Zahlungseingänge erhöht und eine nahtlose Integration in die bestehende IT-Landschaft sichergestellt werden.

Renditeprognose für digitale Assets
Die Navigation an den Finanzmärkten ist häufig mit einer Informationsflut verbunden, was es erschwert, zur richtigen Zeit die richtige Entscheidung zu treffen – insbesondere in der dynamischen Anlageklasse der digitalen Assets. Um fundiertere Investitionsentscheidungen zu ermöglichen, entwickelten Studierende der Frankfurt School einen Prognosealgorithmus zur Vorhersage der Renditen einzelner digitaler Assets auf Basis von Random-Forest-Modellen und neuronalen Netzen. Ergänzend dazu konstruierten sie einen Sentiment-Indikator für führende Kryptowährungen, indem sie Tweets mithilfe von Natural-Language-Processing-Algorithmen analysierten und so quantitative Prognosen mit Marktstimmungsanalysen kombinierten.

NASA-Projekt zum Guided Transfer Learning
In Zusammenarbeit mit dem NASA Ames Research Center und der Frankfurt School verfolgte unser Projekt das Ziel, frühere Erkenntnisse zur Anwendung von Guided Transfer Learning (GTL) zu replizieren und weiterzuentwickeln, um die Leistungsfähigkeit von KI-Modellen bei hochdimensionalen Datensätzen mit geringer Stichprobengröße (HDLSS) im Bereich RNA-Seq zu verbessern.
Angesichts der Herausforderungen durch Overfitting in der Omics-Forschung baut unser Ansatz auf den Arbeiten der NASA auf, indem KI-Modelle zunächst auf großen RNA-Seq-Datensätzen (z. B. recount3) vortrainiert werden, um Muster der Genexpression zu erfassen und so ein effizienteres Lernen auf kleinen Datensätzen zu ermöglichen.
Durch die Weiterentwicklung der GTL-Methoden wollen wir den Bedarf an manueller Intervention weiter reduzieren und zugleich die Leistungsfähigkeit im Few-Shot-Learning verbessern. Ziel ist es, KI-Anwendungen in der biomedizinischen Forschung nachhaltig voranzubringen.

Identifizierung von Sanktionsumgehung mithilfe von Graphenanalysen
In diesem Projekt haben wir uns zum Ziel gesetzt, die Art und Weise grundlegend zu verbessern, wie Projektplattformen Entscheidungsprozesse im Hinblick auf Marktpositionierung, Trainingsstrategien und Projektakquise unterstützen.
Unser Team entwickelte eine skalierbare Lösung zur Extraktion, Verarbeitung und Analyse von Stellen- und Projektausschreibungen. Dabei kamen NLP-Techniken wie Tokenisierung, Stemming und Keyword-Extraktion zum Einsatz.
Das Ergebnis: eine Kategorisierung der Projekte in Schwerpunktbereiche (z. B. ML Engineering, Data Engineering) sowie ein transparenter Überblick über Marktentwicklungen im Zeitverlauf.