F&E
Forschungsprojekte effizient umzusetzen und begleitend daraus Produkte und Projekte abzuleiten, die das Übermorgen nachhaltig verändern, ist Aufgabe unserer Abteilung für Forschung und Entwicklung.
FORSCHUNG UND ENTWICKLUNG
Wir forschen industrienah und entwickeln innovative IT-Produkte.
Neben kundenindividuellen Anwendungen entwickeln wir in unserem eigenen Forschungsbereich Lösungen der Künstlichen Intelligenz (KI), mit denen wir den deutschen Mittelstand stärken. Wir engagieren uns in Leuchtturmprojekten der europäischen Cloud-Initiative Gaia-X: Im Projekt „Autowerkstatt 4.0“ sind wir Konsortialführer und im Projekt „Agri-Gaia“ zuständig für die Entwicklung eines datensouveränen digitalen Marktplatzes für Daten und Smart Farming Anwendungen.
Vorbei sind die Zeiten, in denen sich Fahrzeuge mit Schraubenschlüssel und Ölkanne einfach instand halten ließen: Gerade durch den Anstieg der Elektromobilität wird die Reparatur immer komplexer, sodass sie Werkstätten und Fachkräfte vor große Herausforderungen stellt. Genau hier setzt das Projekt Autowerkstatt 4.0 an.
Ziel des Projektes ist es, mit Künstlicher Intelligenz die Fehlerdiagnose erheblich zu vereinfachen. Darüber hinaus wird eine Plattform für den vertrauenswürdigen Datenaustausch zwischen den Werkstätten geschaffen. Dafür werden Werkstätten, Messsystemanbieter und KI-Startups zu einem Innovations- und Wertschöpfungsnetzwerk verknüpft. Dieses besteht derzeit aus acht Konsortialpartnern, die bis Ende 2024 gemeinsam die Datenplattform mit Gaia-X-Anbindung entwickeln werden.
Das Projekt Agri-Gaia schafft ein KI-Ökosystem für die mittelstandsgeprägte Agrar- und Ernährungsindustrie auf Basis von Gaia-X. Hierzu wird eine innovative B2B-Plattform realisiert, die branchenspezifisch adaptierte KI-Bausteine als leicht verwendbare Module bereitstellt und Anwender und Entwickler von KI-Algorithmen zusammenbringt. Agri-Gaia schließt den Kreis von der Sensordatenaufnahme auf der Landmaschine, dem Trainieren der Algorithmen auf entsprechenden Servern bis hin zu der kontinuierlichen Optimierung der Algorithmen.
DAS FORSCHUNGSTEAM DER LMIS
Zukunft digital gestalten.
Das ist unser Claim, mit dem wir das Ziel verfolgen, Forschungsprojekte effizient umzusetzen, um daraus IT-Produkte und Projekte abzuleiten, die unsere Zukunft nachhaltig verändern. Das ist das Selbstverständnis aller LMIS-Kollegen und
die übergeordnete Aufgabe unserer Abteilung für Forschung und Entwicklung. Diese besteht nicht nur aus unseren promovierten Experten, welche durch ihre regelmäßigen Publikationen zur deutschen Forschungslandschaft beitragen.
Neben unseren Kollegen, die sich mit Herzblut in ihren Fokusthemen ausleben, beschäftigen wir auch immer Studierende, die uns entweder studienbegleitend unterstützen oder unser Knowhow mit ihren Abschlussarbeiten bereichern. Nach ihrem Abschluss übernehmen wir unsere Studierenden in die Fachabteilungen und integrieren so immer die neuesten Erkenntnisse in unseren Wissenspool. Was uns dabei einmalig macht, ist unser nicht endender Hunger auf Cutting Edge Technologien und tagesaktuelles Wissen. Und das von unseren Studierenden bis zu unserem CEO & Gründer, der selbst im Bereich der KI promovierte und weiterhin forscht.
IHR ANSPRECHPARTNER
„Das ist ja wirklich innovativ! Das ist unser Anspruch und der Anspruch, den unsere Kunden uns gegenüber haben. Es geht darum, die Möglichkeiten von KI, Mixed Reality oder Kleinstsensoriken, mit denen man im echten Leben Daten messen, verwalten und Optimierungen durchführen kann, zu hinterfragen und zu realisieren. Um dieses Wissen zu generieren, widmen wir uns sehr aktiv der Forschung und Entwicklung. Gemeinsam mit unseren Partnern erarbeiten wir Lösungen, die funktionieren.“
Dr. Jan Hendrik Schoenke
+49 (0)541 | 200 690-333
sales@lmis.de
LinkedIn-Profil
PUBLIKATIONEN
Wir lieben den Austausch und Wissenstransfer. Unsere Experten haben ihr Wissen und Erfahrungen aus der Praxis veröffentlicht:
(Disclaimer: Die Publikationen können sich teilweise noch im Publikationsprozess befinden.)
Barenkamp, M. (2022): KI und Erklärbarkeit.
In: Wirtschaftsinformatik & Management.
Barenkamp, M. (2022): KI als Waffe gegen Cyberattacken.
In: Digital Business Cloud, 4, S. 10-12.
Barenkamp, M. (2022): Post-Quantum-Kryptografie & KI.
In: Informatik Spektrum.
Barenkamp, M. (2022): Künstliche Intelligenz als Unterstützungsfunktion der Vorhersage und Prozessexzellenz im Process-Mining.
In: Wirtschaftsinformatik und Management.
Barenkamp, M. (2022): Identifikation der Urheber von Cyberattacken mithilfe künstlicher Intelligenz.
In: Wirtschaftsinformatik und Management.
Barenkamp, M. (2022): Datenschutz, -sicherheit und Servicekomfort moderner Anwendungen der Künstlichen Intelligenz.
In: Wirtschaftsinformatik und Management, 14(1), S. 20-26.
Butz, R., Hommersom, A., Barenkamp, M. & van Ditmarsch, H. (2022): One counterfactual does not make an explanation.
In: BNAIC/BeNeLearn Conference.
Butz, R., Schulz, R., Hommersom A. & van Eekelen, M. (2022). Investigating the understandability of XAI methods for enhanced user experience: When Bayesian network users became detectives.
In: Artificial Intelligence in Medicine, Volume 134.
Barenkamp, M. (2021). Die Softies der künstlichen Intelligenz.
In: Wirtschaftsinformatik & Management.
Barenkamp, M. (2021). Warum die Erde einen digitalen Zwilling bekommt.
In: Wirtschaftsinformatik & Management.
Barenkamp, M. & (2021). Blockchain und Smart Contracts am Beispiel der Grundstücksübereignung.
In: Zeitschrift für das Recht der digitalen Wirtschaft, 9, S. 339-344.
Butz, R., Schulz, R., Hommersom, A. & van Eekelen, M. (2021). What is understandable in Bayesian network explanations?.
In: Explainable Artificial Intelligence in Healthcare.
Barenkamp, M. (2020). A New IoT Gateway for Artificial Intelligence in Agriculture.
In: 2020 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), Istanbul, S. 1–5.
Barenkamp, M. (2020): IoT Security Best Practices. Vorstellung eines Sicherheits- und Authentifizierungskonzepts bei der Realisierung von (Industrial) Internet of Things (IIoT)-Anwendungen – Eine Fallstudie zur Clientseitigen-Authentifizierung im IoT.
In: HMD Praxis der Wirtschaftsinformatik.
Barenkamp, M. (2020). Künstliche Intelligenz in der Softwareentwicklung.
In: Wirtschaftsinformatik & Management, 12(2), S. 120–129.
Barenkamp, M. (2020). UI Generierung aus Handschriften im Design Sprint Prozess.
In: Informatik Spektrum, 43(3), S. 211–219.
Barenkamp, M. & Niemöller, D. (2020). ARchitecture — Insights From Theory and Practice.
In: 2020 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), Istanbul, S. 1–6.
Barenkamp, M., Rebstadt, J. & Thomas, O. (2020). Applications of AI in classical software engineering.
In: AI Perspect, 2(1), S. 1–15.
Barenkamp, M., Thomas, O. & Zarvic, N. (2019). „Agile“ – Nur ein Buzzword?.
In: Wirtschaftsinformatik & Management, 11(4), S. 224–237.
Barenkamp, M., Schoenke, J., Zarvic, N. & Thomas, O. (2019). IoT Best Practices. Fallstricke bei der Realisierung von (Industrial) Internet of Things (IIoT)-Projekten frühzeitig erkennen und adressieren.
In: HMD, 56, S. 1157–1177.
Wang, W.-C., Yang, X., Wieduwilt, T., Schmidt M. A., Zhang, Q.-Y. & Wondraczek, L. (2019). Fluoride-Sulfophosphate/Silica Hybrid Fiber as a Platform for Optically Active Materials.
In: Front. Mater. 6(12), Article 148.
Butz, R., Hommersom, A. & van Eekelen, M. (2018). Explaining the most probable explanation.
In: Scalable Uncertainty Management (Best Student Paper Award).
Metzger, D., Niemöller, C., Jannaber, S., Berkemeier, L., Brenning, L. & Thomas, O. (2018). The next generation – Design and implementation of a smart glasses-based modelling system.
In: Enterprise Modelling and Information Systems Architectures, 13(18), S. 1–25.
Rabinowicz. S, Butz. R, Hommerson. A & Williams. M. (2018). CSBN: a hybrid approach for survival time prediction with missing data.
In: Advanced Analytics and Learning on Temporal Data.
Metzger, D., Niemöller, C. & Thomas, O. (2017). Design and demonstration of an engineering method for service support systems.
In: Information Systems and e-Business Management, 15, S. 789–823.
Metzger, D., Niemöller, C., Wingert, B., Schultze, T., Bues, M. & Thomas, O. (2017). How Machines are Serviced – Design of a Virtual Reality-based Training System for Technical Customer Services.
In: J. M. Leimeister & W. Brenner (Hrsg.). Proceedings der 13. Internationalen Tagung Wirtschaftsinformatik, St. Gallen, S. 604–618.
Niemöller, C., Metzger, D. & Thomas, O. (2017). Design and Evaluation of a Smart Glasses-based Service Support System.
In: J. M. Leimeister & W. Brenner (Hrsg.). Proceedings der 13. Internationalen Tagung Wirtschaftsinformatik, St. Gallen, S. 106–120.
Niemöller, C., Zobel, B., Berkemeier, L., Metzger, D., Werning, S., Adelmeyer, T., Ickerott, I. & Thomas, O. (2017). Sind Smart Glasses die Zukunft der Digitalisierung von Arbeitsprozessen? Explorative Fallstudien zukünftiger Einsatzszenarien in der Logistik.
In: J. M. Leimeister & W. Brenner (Hrsg.). Proceedings der 13. Internationalen Tagung Wirtschaftsinformatik, St. Gallen, S. 410–424.
Rabinowicz. S, Butz. R, Hommerson. A & Williams. M. (2017). A prognostic model of glioblastoma multiforme using survival bayesian networks.
In: Artificial Intelligence in Medicine.
Yang, X., Scannell, G., Jain, C., Poletto Rodrigues, B., Schmidt M. A., & Wondraczek, L. (2017). Permanent structural anisotropy in a hybrid fiber optical waveguide.
In: Appl. Phys. Lett. 111, 201901.
Metzger, D., Niemöller, C., Berkemeier, L., Brenning, L. & Thomas, O. (2016). Vom Techniker zum Modellierer – Konzeption und Entwicklung eines Smart Glasses Systems zur Laufzeitmodellierung von Dienstleistungsprozessen.
In: O. Thomas, M. Nüttgens & M. Fellmann (Hrsg.). Smart Service Engineering. Konzepte und Anwendungsszenarien für die digitale Transformation, Wiesbaden: Springer Gabler, S. 193–213.
Niemöller, C., Metzger, D., Fellmann, M., Özcan, D. & Thomas, O. (2016). Shaping the Future of Mobile Service Support Systems – Ex-Ante Evaluation of Smart Glasses in Technical Customer Service Processes.
In: H. C. Mayr & M. Pinzger (Hrsg.). Informatik, Klagenfurt: Gesellschaft für Informatik (LNI 259), S. 753–767.
Metzger, D., Niemöller, C. & Thomas, O. (2016). Hybride Aus- und Weiterbildung – Wie Datenbrillen die Lern- und Arbeitsumgebung von Morgen verändern.
In: A. Hohenstein & K. Wilbers (Hrsg.). Handbuch E-Learning. Expertenwissen aus Wissenschaft und Praxis – Strategien, Instrumente, Fallstudien, 62. Erg.-Lfg., Köln: Verlag Deutscher Wirtschaftsdienst, S. 1–17.
Schoenke, J. H. (2016). Skalierbare inkremetelle Online Regression auf Simplex-Strukturen.
In: Proceedings 26. Workshop Computational Intelligence.
Metzger, D., Niemöller, C., Zarvic, N., Welk, M. & Thomas, O. (2015). Revolution im Kundendienst durch Smart Services.
In: IM+io Fachzeitschrift für Innovation, Organisation und Management, 2, S. 39–43.
Schoenke, J. H. (2015). Incremental Learning on Decorrelated Approximators.
In: IEEE 14th International Conference on Machine Learning and Applications (ICMLA) 2015.
Niemöller, C., Özcan, D., Metzger, D. & Thomas, O. (2014). Towards a Design Science-Driven Product-Service System Engineering Methodology.
In: M. C. Tremblay, D. VanderMeer, M. Rothenberger, A. Gupta & V. Yoon (Hrsg.). Design Science Research in Information Systems and Technologies, LNCS 8463, Miami: Springer, Cham, S. 180–193.
Schoenke, J. H. & Brockmann, W. (2014). Machine Learning in Predictive Filtering.
In: Proceedings 24. Workshop Computational Intelligence.
Buschermöhle, A., Schoenke, J. H. & Brockmann W. (2012). Uncertainty and Trust Estimation in Incrementally Learning Function Approximation.
In: Advances on Computational Intelligence, S. 32-41.
Buschermöhle, A., Schoenke, J. H. & Brockmann W. (2012). Uncertainty and Trust Estimation in Incrementally Learning Function Approximation.
In: Advances on Computational Intelligence, Berlin/Heidelberg: Springer VS, S. 32-41.
Luebbers, D., Grimmer, U. & Jarke, M. (2003). Systematic development of data mining-based data quality tools.
In: Proceedings of the 29th international conference on Very large data bases, 29, VLDB Endowment, S. 548–559.
