Kooperationsunternehmen Projekt

Inspiriert von Datenanalysen im Motorsport, hatte ein Team von PwC-Datenwissenschaftlern und -Dateningenieuren die Idee, eine Slotcar-Rennstrecke mit mehreren Sensoren zu bauen, um die Möglichkeiten der Datenanalyse auf Messen zu demonstrieren.

Die Schlüsselaspekte ihres Projekts waren:

• Entwicklung einer Bilderkennung, die in der Lage ist, die beiden Rennautos in einem Video-Stream zu identifizieren, der von einer Kamera neben der Strecke aufgenommen wird.
• Entwicklung neuer Methoden zur Steuerung und Überwachung der Autos.
• Aufteilung des bestehenden Projekt-Backends in modulare, domänenspezifische Backends.
• Erstellung eines zentralen Kommunikationsdienstes, der für den Informationsaustausch zwischen dem Frontend, den Backends und der Cloud verantwortlich ist.

Sie können den Projektblog mit Video-Updates vom Anfang bis Ende hier verfolgen: https://www.notion.so/PwC-Frankfurt-School-Carrera-Company-Cooperation-Project-8daf129c7b6443f3ab65615c19a085e3

Zuverlässige Prognosen und eine robuste Überwachung sind entscheidend für Energieversorger, um die Spitzenlast effektiv zu managen, die Netzstabilität zu gewährleisten und den Kundenbedürfnissen gerecht zu werden, wobei der Fokus auf der Erkennung externer Faktoren liegt, die Nachfrageanomalien beeinflussen. Studierende entwickelten eine Machine-Learning-Pipeline zur Erkennung von Ausreißern und zur Prognose des Energieverbrauchs, präsentiert durch ein datengetriebenes Dashboard mit wesentlichen KPIs für eine einfache Wartung. Die Schritte umfassten die Datenvorverarbeitung, Schockdetektion mit Spitzenkategorisierung und Erklärungen, Modelltraining und -tests sowie die automatisierte Nachfrageprognose mit Dashboard-Integration.

Das Projekt hatte zum Ziel, Betrüger zu identifizieren, die versuchten, EU-Sanktionen zu umgehen, indem ein Wissensgraph unter Verwendung von Open Sanctions- und Open Ownership-Daten erstellt wurde. Dieser Graph wurde weiter mit Daten von externen Diensten wie Grok und geografischen Informationen angereichert, um eine bessere standortbasierte Analyse zu ermöglichen. Zur Verbesserung der Datenqualität und zur Aufdeckung versteckter Verbindungen wurden fortschrittliche Graph-Datenwissenschaftstechniken angewendet, einschließlich Community Detection, Entity Recognition und Entity Resolution. Diese Methoden verbesserten die Genauigkeit bei der Identifizierung von Versuchen zur Umgehung von Sanktionen und ermöglichten eine bessere Durchsetzung und Risikobewertung.

Seit Jahrtausenden gestalten Menschen das Gesicht der Welt in einem exponentiell beschleunigten Veränderungstempo, besonders im letzten Jahrhundert. Der menschliche Eingriff in die Vegetation weltweit stört ein natürliches Gleichgewicht, das lange vor dem Aufkommen der Menschheit existierte, mit unbekannten Konsequenzen. Unser Ziel ist es, diesen Eingriff zu minimieren, intakte Vegetation so weit wie möglich zu erhalten und ein besseres Verständnis dafür zu erlangen, wie die Tourismusindustrie zu den Problemen beigetragen hat, die wir heute beobachten, z. B. durch Abholzung für touristische Einrichtungen oder den Abfluss von Grundwasser. Welche Fähigkeiten haben unsere Studierenden in diesem Projekt entwickelt?

1. Datenmodellierung und Datenengineering in relationalen Datenbanksystemen (RDMS).
2. Analyse von Satellitenbilddaten.
3. Zeitreihen-Datenmodellierung und -Prognose.
4. Visualisierung von zeitbasierten geografischen Daten.
5. Kommunikation auf präzise und effektive Weise.

Die Navigation auf den Finanzmärkten ist oft mit einer Informationsflut verbunden, was die Herausforderung mit sich bringt, zur richtigen Zeit die richtige Entscheidung zu treffen. Dies gilt besonders für die Anlageklasse der digitalen Vermögenswerte. Daher verbesserten die Studierenden der Frankfurt School den Entscheidungsprozess, indem sie 1. einen Prognosealgorithmus entwickelten, um die Renditen einzelner digitaler Vermögenswerte mit Hilfe von Random Forest-Algorithmen und neuronalen Netzen vorherzusagen, und 2. einen Stimmungsindikator für wichtige Kryptowährungen erstellten, indem sie Tweets mithilfe von NLP-Algorithmen analysierten. Weitere allgemeine Informationen finden Sie hier.

Studierende arbeiteten an einem Projekt zu Markttrends, um die Marktstimmung und das Investorenverhalten auf Xetra und Eurex zu verstehen. Die Projektthemen umfassten das Clustern von Daten, die prädiktive Kraft und die Analyse von Beziehungen zwischen Datensätzen. Sie verwendeten Data Science und maschinelles Lernen, um die Vorhersagbarkeit zu bewerten und schließlich die Daten zu visualisieren, mit denen ein Bericht erstellt wurde.

In Zusammenarbeit mit dem NASA Ames Research Center und der Frankfurt School hatte unser Projekt das Ziel, frühere Ergebnisse zur Verwendung von Guided Transfer Learning (GTL) zu replizieren und weiterzuentwickeln, um die Leistung von KI bei hochdimensionalen, kleinen (HDLSS) RNA-seq-Daten zu verbessern. Angesichts der Herausforderungen von Overfitting in der Omics-Forschung baut unser Ansatz auf der Arbeit der NASA auf, indem KI-Modelle auf großen RNA-seq-Datensätzen (z. B. recount3) vortrainiert werden, um Muster der Genexpression zu erfassen, wodurch effizienteres Lernen auf kleinen Datensätzen ermöglicht wird. Durch die Verfeinerung von GTL-Techniken streben wir an, den menschlichen Eingriff weiter zu reduzieren und gleichzeitig das Few-Shot Learning zu verbessern, um letztlich KI-Anwendungen in der biomedizinischen Forschung voranzutreiben.

In diesem Projekt haben wir uns das Ziel gesetzt, die Art und Weise, wie Projektplattformen Entscheidungsfindung für Marktpositionierung, Trainingsstrategien und Projektakquise informieren, zu revolutionieren. Unser Team entwickelte eine skalierbare Lösung zur Extraktion, Verarbeitung und Analyse von Job-/Projektanzeigen unter Verwendung von NLP-Techniken wie Tokenisierung, Stemming und Schlüsselwortextraktion. Das Ergebnis? Eine Kategorisierung von Projekten in Fokusgruppen (z. B. ML Engineering, Data Engineering) und ein klarer Überblick über Markttrends im Laufe der Zeit.

Sentyre ist ein deutsches Start-up, das neue Technologien für das Flottenmanagement entwickelt. Unsere Cloud-Lösungen nutzen in Deutschland entwickelte künstliche Intelligenz, um ihr Potenzial im direkten Kontakt mit der Straße zu demonstrieren. Wir analysieren Daten in Echtzeit und verarbeiten sie, um Probleme mit Reifen und Felgen vorherzusagen und zu vermeiden. Dazu gehört unter anderem zu niedriger Reifendruck, der Hauptursache für erhöhten Abrieb und Kraftstoffverbrauch. Sentyre sammelt Daten von fahrenden Lkw und entwickelt ein intelligentes System, um den besten Reifen für einen bestimmten Lkw und eine bestimmte Position auf dem Fahrzeug vorherzusagen. Studierende verwendeten Datenanalyse-Algorithmen und Datenvisualisierung, um ein Vorhersagemodell für die besten Reifen für bestimmte Lkw zu erstellen. Zudem nutzten die Studierenden Jupyter Notebook, um ihre Ergebnisse zu präsentieren.

TheRecap bietet automatische Datendienste für Finanzdienstleistungsunternehmen. Das Projektziel war es, ein Konzept und aussagekräftige Datenpunkte/Signale zu entwickeln, die mithilfe von Machine Learning aus einer Reihe relevanter Nachrichten in einem bestimmten Zeitraum automatisch erstellt werden, die von unserem Datendienst bereitgestellt werden. Dabei werden Nachrichten anhand ihrer Ähnlichkeit, gemeinsamer Themen oder potenzieller anderer Abhängigkeiten zwischen bestimmten Nachrichten gruppiert. Die Idee dahinter: Nachrichten zu identifizieren, die auf ein wichtiges Ereignis, eine Herausforderung oder ein bedeutendes Ziel hinweisen, das für unsere Kunden von Relevanz sein könnte.

Entwicklung eines Computer-Vision-Modells, das die Eisbildung auf den Leitschaufeln einer Gasturbine erkennen kann. Um die Eisbildung auf der Gasturbine während Kälteperioden und potenzielle Schäden an den Schaufeln zu verhindern, setzen Betreiber ein Enteisungssystem ein, das heiße Luft aus dem Brennkammerbereich verwendet, um die Luft, die in die Turbine eintritt, zu erwärmen. Die meisten Kraftwerke verfügen über automatisierte Funktionen in ihrem Steuerungssystem, die die Umgebungsbedingungen wie Temperatur und Luftfeuchtigkeit überwachen, um dieses Enteisungssystem zu aktivieren. Derzeit führt das Aktivieren dieses Systems zu einem erheblichen Effizienzverlust, da die Schwelle zur Aktivierung des Systems vorsichtig eingestellt ist, um das Risiko einer Eisbildung zu vermeiden. Daher kann die Integration eines Computer-Vision-Modells, das die Eisbildung zusätzlich zur bestehenden Aktivierungslogik erkennt, die Effizienz der Turbine erheblich steigern, ohne Schäden zu verursachen.

Wichtige Aufgaben:

• Verschiedene Bildverarbeitungsverfahren (z. B. Kantenerkennung, Merkmal-Extraktion).
• Datenaugmentation.
• Modellierung (z. B. 3D ResNet Modell, Anomalieerkennung).
• Experimente mit Infrarotkameras zur Erfassung von Eis.