Unser Ziel ist es, die neuesten Technologien in fortschrittliche Produkte und Dienstleistungen umzuwandeln und weiterzuentwickeln, die Künstliche Intelligenz (KI) nutzen, um Menschen und die Umwelt zu schützen. Wir sehen ein enormes Potenzial darin, menschliche Intelligenz mit verschiedenen Bereichen der Künstlichen Intelligenz zu verbinden, um auf dieser Grundlage Entscheidungen zu treffen, die dieses Ziel unterstützen.
In der heutigen Welt der Big Data erzeugt jede Inspektion oder jeder technische Service riesige Mengen an Mess- und Betriebsdaten. Diese Rohdaten werden bereinigt, interpretiert und analysiert, um sie in wertvolle Informationen umzuwandeln, die wiederum zu fundierten Entscheidungen führen. Die Nutzung der Möglichkeiten der Künstlichen Intelligenz ist in diesem Prozess unverzichtbar geworden. Ähnlich wie KI-gesteuerte Software Kaufvorschläge und Werbestrategien auf einzelne Verbraucher zuschneidet, nutzen wir KI-Techniken, um Experten mit Anlagen-bezogenen Daten zu versorgen und so Echtzeit-Entscheidungen für die Sicherheit von Anlagen zu optimieren. Darüber hinaus verbessern maschinelles Lernen und KI-Modelle nicht nur die Entscheidungsunterstützung, sondern ermöglichen auch die proaktive Vorhersage und Minderung potenzieller Bedrohungen, sodass wir Herausforderungen immer einen Schritt voraus sind und ihre Auswirkungen effektiv minimieren können.
Indem wir die Pipeline-Anlage in den Mittelpunkt unseres Datenmanagementsystems stellen, können wir einzigartige Datendienste von Weltklasse anbieten. Mit einer anlagenorientierten Sichtweise verbinden wir alle Geschäftsbereiche, um eine funktionsübergreifende Datenanalyse zu gewährleisten und unseren Kunden die wertvollsten Erkenntnisse zu liefern. Autonome Teams können daran arbeiten, Datenmanagementlösungen bereitzustellen, die über eine flexible Integrationsschicht vereinheitlicht und standardisiert sind. Dies hilft uns auch dabei, zuverlässige Modelle für Künstliche Intelligenz zu liefern.
Sicherheit ist immer ein wichtiger Aspekt unseres Datenmanagementsystems. Deshalb haben wir ein mehrschichtiges Rahmenwerk für die Datenverwaltung implementiert, um sicherzustellen, dass unsere Daten nur in autorisierte Hände gelangen und höchsten Qualitätsstandards entsprechen. Mit unserem Datenmanagementsystem bieten wir die beste Grundlage für unsere Dienstleistungen, um unseren Kunden letztendlich einen Mehrwert zu bieten.
ROSEN unterstützt Betreiber von Assets dabei, datengestützte Entscheidungen in kritischen Geschäftsprozessen wie dem Pipeline-Integritätsmanagement zu treffen. Künstliche Intelligenz spielt hier eine wichtige Rolle, da viele dieser Entscheidungen auf den Ergebnissen von KI-Modellen basieren. Es muss sichergestellt werden, dass KI-Modelle auf hochwertigen Daten trainiert werden, regelmäßig aktualisiert werden und zuverlässig und robust sind. Darüber hinaus muss eine ständige Überwachung der Modellmetriken und der Infrastruktur eine konsistente Modellleistung gewährleisten.
Bei ROSEN nutzen wir Machine Learning Operations (MLOps), um dieses Ziel zu erreichen. MLOps beschreibt Techniken, Prozesse und den Einsatz von Tools, um Machine-Learning-Modelle in die Produktion zu bringen, zu überwachen und zu warten. In der Praxis haben wir Tools wie Azure DevOps, Artifactory und Kubeflow sowie standardisierte Entwicklungsprozesse als Teil unserer KI-Landschaft implementiert, um die Best Practices der Branche und die Standards für Compliance im Bereich MLOps zu erfüllen.
Die Gesetze der Physik und damit die meisten Messtechnologien werden durch partielle Differentialgleichungen (PDEs) bestimmt. Die Grundidee des physikbasierten maschinellen Lernens besteht darin, Fachwissen in Form von PDEs in den Lernprozess neuronaler Netze einzubeziehen. Da es einfach ist, Ableitungen neuronaler Netze nicht nur in Bezug auf ihre Parameter, sondern auch in Bezug auf ihre Eingabevariablen zu berechnen, können wir die Frage „Wie gut folgt die Ausgabe des neuronalen Netzes einem bestimmten physikalischen oder mathematischen Gesetz?“ auf eine leicht berechenbare Verlustfunktion reduzieren. Da die Forschung in diesem Bereich noch auf einem eher grundlegenden Niveau ist, besteht eine enge Zusammenarbeit mit der Universität Osnabrück und ein gemeinsamer industrieller Doktorand forscht zu diesem Thema.