Data Analytics

KI-Vorhersagen auf der Spur – oder: Wie ein gutes Uncertainty Management den Umgang mit KI-Modellen erleichtert

Der Umgang mit Unsicherheiten stellt bei der Nutzung von KI-Vorhersagen in vielen Anwendungsbereichen einen entscheidenden Faktor dar. Das gilt insbesondere in der Medizin und beim autonomen Fahren. In der Medizin kann der Umgang mit Unsicherheit dazu beitragen, dass sich KI-Modelle…

Data Quality in Agriculture

Growing the Future: Overcoming Data Quality Problems in Agriculture

Farmers around the world, including in the EU, face many challenges. Their daily work and businesses need to be rethought in order to reduce the negative impact on the environment and achieve a sustainable economy in the long term. For…

Predictive Maintenance umsetzen: Wie geht das?

Wäre es nicht wunderbar, Sie könnten in die Zukunft schauen und zum Beispiel die Lebensdauer von Ihren Produkten und Systemen vorhersagen? In diesem Artikel sprechen wir, das Fraunhofer IESE, darüber, was Predictive Maintenance ist und für was man es einsetzen…

Causal inference: An introduction on how to separate causal effects from spurious correlations in data

What is causal inference in statistics data science? While „correlation does not imply causation“, it is possible to identify causal effects even in data that does not come from randomized controlled trials. Our AI expert, Dr. Julien Siebert, just published…

»AI Innovation Labs« als Tool zur zielgerichteten Ermittlung der KI-Tauglichkeit von Unternehmen

KI-Systeme stellen Unternehmen vor große Herausforderungen. Sogenannte »AI Innovation Labs« können dazu beitragen, bestehende Hürden zu bewältigen. Sie sind ein Methoden- und Werkzeugbaukasten, um die richtigen KI-getriebenen Geschäfts- und Anwendungsfälle für Ihr Unternehmen zu identifizieren, Prototypen mit KI-Technologie zu erstellen…

Time Series Analysis: Pattern Recognition

Time Traveling with Data Science: Pattern Recognition, Motifs Discovery and the Matrix Profile (Part 4)

In Part 4 of our Fraunhofer IESE blog series on „Time Traveling with Data Science“, we continue our journey in the field of time series analysis. In this blog post, our experts from Fraunhofer IESE and our guest author Markus…

Time Series Analysis: Outlier Detection

Time Traveling with Data Science: Outlier Detection (Part 3)

In our blog series on „Time Traveling with Data Science“, we previously introduced different tasks in time series analysis. In this blog post, we now present the task of Outlier Detection. Outliers are data so different from others that one…

Pandemiebekämpfung mit der OPEN-POCT-Plattform

Corona hat gezeigt: Im Falle einer Pandemie sind schnelle Reaktionen und reibungslose Prozesse zur Eindämmung des Geschehens unerlässlich. Die am Fraunhofer IMM und Fraunhofer IESE entwickelte OPEN-POCT-Plattform soll hierzu einen Beitrag leisten. Mittels modernster Technologien sollen zuverlässige Massentestungen bei Ausbruchsgeschehen…

Scope Compliance

Scope Compliance – Die Rolle des Anwendungskontexts im Machine Learning

Im Rahmen unserer Blogreihe »Scope Compliance« beschäftigen wir uns mit der Bedeutung des Anwendungskontexts im Machine Learning. Im ersten Beitrag klären wir ein häufig anzutreffendes Missverständnis auf und arbeiten seine Implikationen für die Praxis heraus. Sie erfahren, warum es entscheidend…

Time Series Analysis (Change Point Detection)

Time Traveling with Data Science: Focusing on Change Point Detection in Time Series Analysis (Part 2)

In the first blog post of our „Time traveling with data science“ series, we presented several tasks related to the analysis of time series. In this post, we dive into the task called „change point detection“.   Changes in time series or…