Künstliche Intelligenz in der Automatisierung

Provenance Analytics: Technologien zur Interpretation von Herkunft, Ursache und Quellen in komplexen, datengetriebenen und vernetzten Anwendungen

Prof. Dr. rer. nat. Oliver Niggemann
01.10.2016 bis 30.09.2019

Technologien zur Interpretation von Herkunft, Ursache und Quellen in komplexen, datengetriebenen und vernetzten Anwendungen

Motivation


Datenanalysetechniken im Zeitalter von Big Data werden immer komplexer und kombinieren eine Vielzahl intelligenter Technologien. Obwohl die Erfolge der Analysen beeindruckend sind, ist seitens der Nutzer viel Vertrauen in die Ergebnisse notwendig, da diese im Allgemeinen nicht  sind. Provenance ist eine zentrale Maßnahme zur Vertrauensbildung für digitale Informationen in dem die Ergebnisse für den Nutzer  nachvollziehbar dargestellt und begründet werden.


Herausforderungen


Es existieren Systeme und Frameworks sowie erste Vorschläge für Standards zur Modellierung, Repräsentation und Erzeugung von Provenance-Informationen. Jedoch sind diese sowohl aus Nutzer wie aus Entwicklersicht oft nicht praktikabel und umfassend, so dass weitere Entwicklungsarbeit in Richtung einer „einklagbar Provenance“ nötig ist. Da die konkreten Provenance-Technologien domänenspezifisch sind, werden in dem Projekt Anwendungen abgedeckt, in denen bisher nur wenige oder gar keine Aspekte der Provenance betrachtet wurden. Insbesondere sind die Provenance-Technologie für:

  • Datenanalyse im Industrie 4.0 Umfeld mit Fokus auf  Diagnoseanwendungen,
  • 3D-Digitalisierung im Bereich Denkmalpflege und Archäologie,
  • Nachrichtenflussanalyse, Reuse-Detektion und Forensik sowie
  • Social Semantic Web der Dinge mit Fokus auf der Erkundung von Zusammenhängen
Das Projekt wird gefördert durch:
Bundesministerium für Bildung und Forschung (BMBF)
Projektträger: Das Deutsche Zentrum für Luft- und Raumfahrt e.V. (DLR)
Förderkennzeichen: 03PSIPT5B
Projektbeteiligte / Ansprechpartner: Dipl.-Math. Natalia Moriz, Dr.-Ing. Peng Li
Dr.-Ing. Andreas Bunte¹, Dr.-Ing. Andreas Bunte, Dr.-Ing. Peng Li, Prof. Dr. rer. nat. Oliver Niggemann, Prof. Dr. rer. nat. Oliver Niggemann²
Mapping Data Sets to Concepts Using Machine Learning and a Knowledge Based Approach
In: International Conference on Agents and Artificial Intelligence (ICAART), Jan 2018
¹ Erstautoren
² Letztautoren
Baotong Chen¹, Baotong Chen, Jiafu Wan, Lei Shu, Dr.-Ing. Peng Li, Mithun Mukherjee, Boxing Yin, Boxing Yin²
Smart Factory of Industry 4.0: Key Technologies, Application Case, and Challenges
¹ Erstautoren
² Letztautoren
Dr.-Ing. Peng Li¹, Dr.-Ing. Peng Li, Prof. Dr. rer. nat. Oliver Niggemann, Prof. Dr. rer. nat. Oliver Niggemann²
A Data Provenance based Architecture to Enhance the Reliability of Data Analysis for Industry 4.0
In: 23th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Sep 2018
¹ Erstautoren
² Letztautoren
Dr.-Ing. Peng Li¹, Dr.-Ing. Peng Li, Prof. Dr. rer. nat. Oliver Niggemann, Barbara Hammer, Barbara Hammer²
On the Identification of Decision Boundaries for Anomaly Detection in CPPS
In: 20th IEEE International Conference on Industrial Technology (ICIT 2019), Feb 2019
¹ Erstautoren
² Letztautoren
Dr.-Ing. Peng Li¹, Dr.-Ing. Peng Li, Prof. Dr. rer. nat. Oliver Niggemann, Prof. Dr. rer. nat. Oliver Niggemann²
Non-convex hull based anomaly detection in CPPS
¹ Erstautoren
² Letztautoren
Dr.-Ing. Peng Li¹, Dr.-Ing. Peng Li, Prof. Dr. rer. nat. Oliver Niggemann, Prof. Dr. rer. nat. Oliver Niggemann²
A Non-Convex Archetypal Analysis for One-class Classification based Anomaly Detection in Cyber-Physical Systems
In: Transactions on Industrial Informatics, Jul 2020
¹ Erstautoren
² Letztautoren
Gefördert durch
Projektträger