06.11.2024
Für Oberösterreich als führendes Wirtschafts- und Industriebundesland ist Künstliche Intelligenz (KI) eine zentrale Schlüsseltechnologie. Daher hat das Land OÖ unter dem Titel „AI-Region Upper Austria 2024“ eine Förder-Ausschreibung gestartet, um den Einsatz der KI als Weichensteller für die digitale Transformation der oberösterreichischen Wirtschaft und Industrie weiter voranzutreiben. Gesucht wurden Projekte, bei denen KI in definierten Handlungsfeldern die Weiterentwicklung neuester Technologien ermöglichen soll, die dann wiederum in aktuelle Anwendungen übergeführt werden sollen. Insgesamt 34 Projekte wurden beim Fördercall „AI-Region Upper Austria 2024“ eingereicht. Eine internationale Expertenjury hat entschieden, dass 11 davon Förderungen des Wirtschaftsressorts des Landes OÖ erhalten sollen.
„Rund 10,5 Millionen Euro beträgt die Gesamtinvestitionssumme der ausgewählten Projekte. Dafür werden ca. acht Millionen Euro Landesförderung bereitgestellt“, erklärt Wirtschafts- und Forschungs-Landesrat Achleitner. Das Fördervolumen wurde von 5,75 auf 8 Mio. Euro aufgestockt, weil laut Expertenjury die Qualität der eingereichten Projekte so hochwertig ist, dass sie empfohlen hat, die Anzahl der geförderten Projekte zu erhöhen.
Die Ausschreibung hat sich an Konsortien gerichtet, die mindestens aus einem Unternehmen und einer Forschungseinrichtung bestehen. „Im Mittelpunkt stehen kooperative F&E-Projekte, die dazu beitragen, Oberösterreich als Modellregion für Künstliche Intelligenz zu positionieren“, betont Landesrat Achleitner. Diese Positionierung ist ein wesentliches Ziel in der Wirtschafts- und Forschungsstrategie #upperVISION2030. Es geht daher um die Entwicklung zukunftsweisender Systeme, Produkte, Dienstleistungen, Tools und Verfahren – von vertrauenswürdiger KI über die Optimierung industrieller Prozesse, Mensch-Maschine-Kollaboration bis hin zu Anwendungen in der Medizin oder in der Mobilität.
Besonderer Wert wurde bei der Ausschreibung auf vertrauenswürdige KI gelegt. Als solche gelten KI-Systeme, die alle gesetzlichen Bestimmungen einhalten, die ethische Grundsätze beachten und die weder in technischer noch in sozialer Hinsicht Schaden verursachen.
AI4Lab2Plant
AI4Lab2Plant will die Praxistauglichkeit von Machine-Learning-Algorithmen und -Modellen im industriellen Umfeld verbessern. Dafür untersucht das Konsortium die Machbarkeit anhand des Beschichtungsprozesses von Stranggussformen in der Stahlindustrie. Durch die Kombination neuartiger Algorithmen und Domänenwissen sollen Vorhersagemodelle für Beschichtungseigenschaften entstehen, die nicht nur im Labor, sondern auch in großtechnischen Produktionsanlagen funktionieren. Die entwickelten Methoden sollen als Open Source Software veröffentlicht werden und so einen niederschwelligen Zugang für weitere Anwendungsfälle gewährleisten.
Projektpartner:
FEDAI4Industry
Anstatt einer zentralen Supercomputer-KI forciert FEDAI4Industry eine in alle Produkte und Produktionssysteme eingebettete föderierte KI (FKI) aus Individualintelligenzen. Dabei trainieren mehrere Geräte gemeinsam ein KI-Modell, ohne dass die Daten zentral gesammelt werden müssen. Der Vorteil: Daten von Industriepartnern können vertraulich verarbeitet werden und die KIs arbeiten ressourceneffizient. Das trägt zur Erhöhung der Effizienz und Nachhaltigkeit von Produkten und Verfahren mittels neuer Technologien bei. Durch Kombination von FKI und eingebetteter KI-Hardware sowie den Verzicht auf ressourcenintensive KI-Ansätze wird FEDAI4Industry holistisch den Nutzen von FKI für Industrie- und mögliche ökologische Einsparungen in der Solar- und Schweißindustrie überprüfen.
Projektpartner:
FLARE
Die Prognosen für Urban Air Mobility, den Transport von Personen und Gütern mit bemannten und unbemannten Luftfahrzeugen, gehen von 19.000 benötigten Einheiten im Jahr 2030 aus. Um diese Rate zu erreichen, müssen die Luftfahrtzulieferer ihre Produktionsprozesse unter Einhaltung hoher Sicherheitsstandards digitalisieren und automatisieren. Für die Qualitätssicherung werden zerstörungsfreie Prüfverfahren wie die Aktive Thermographie genutzt. Die Auswertung der Messergebnisse ist allerdings ein kostspieliges Nadelöhr. KI-basierte Technologien für die automatisierte Fehlererkennung sollen die Auswertezeit pro Bauteil reduzieren. Das Ziel ist, erstmalig Human-in-the-Loop-Interaktionskonzepte für Aktive Thermographie zu entwickeln. Diese Konzepte kombinieren die Fähigkeiten von KI mit menschlichem Urteilsvermögen und Eingriffsmöglichkeiten.
Projektpartner:
IASON
Das Forschungsprojekt IASON möchte die Behandlung intrakranieller Aneurysmen durch innovative KI-gestützte Simulations- und Analysewerkzeuge verbessern. Intrakranielle Aneurysmen sind Erweiterungen von Blutgefäßen im Gehirn. Platzt das Aneurysma, kommt es zu einer lebensbedrohlichen Blutung. Im Projekt soll eine neurochirurgische Forschungsplattform entstehen, die die Operationsplanung, Patientenauswahl und chirurgische Ausbildung revolutioniert. Prä- und postoperative Blutflusssimulationen sollen Chirurginnen und Chirurgen helfen, Eingriffe vorzubereiten, Risiken einzuschätzen und Clipping-Strategien zu entwickeln. Mit KI-gestützten Analysen werden komplexe Operationen simuliert und bewertet, um die Patientensicherheit zu erhöhen.
Projektpartner:
IQMet
Die klassische Signalverarbeitung ist bei der Mustererkennung in Bildern oft überfordert, während KI-Modelle hier bereits hohes Potenzial gezeigt haben. Diesen Vorsprung will das Forschungsprojekt IQMet nutzen, um aus Bildern erweiterte Informationen zu gewinnen. Anwendungsfall ist die Qualitätsprüfung von Bauteilen aus Metall. Diese erfolgt derzeit nur statistisch durch mikroskopische Prüfung von zerstörten Proben. Bei Lagern in Motorwellen, Generatoren oder Schienenrädern ist eine zerstörungsfreie Qualitätsprüfung erwünscht, weil eine Probenentnahme nicht immer möglich und eine hundertprozentige Kontrolle erforderlich ist. Laser-Ultraschall hat für einige Stähle bereits hohes Potenzial zur Messung der Härtungstiefe gezeigt. KI-Modelle sollen nach einer Trainingsphase die Ultraschallbilddaten deutlich besser interpretieren können. Das Konsortium verwendet fortschrittliche Methoden für Machine Learning, Datenanalyse und -exploration.
Projektpartner:
LogAId
Das Projekt LogAId will Logistikprozesse mit einem fortschrittlichen, KI-gestützten Optimierungssystem revolutionieren. Kranfahrer und Disponenten sollen durch neue Technologien künftig effizienter und fehlerfreier arbeiten. Mithilfe von maschinellem Lernen und Optimierungsalgorithmen können Transportmittel und Lagerflächen optimal genutzt, Kosten reduziert und die Umweltbelastung verringert werden. Das System wird so konzipiert, dass es kontinuierlich aus den Entscheidungen und dem Feedback der Nutzer lernt und seine Vorschläge dadurch stetig verbessert.
Projektpartner:
MEDI-DOK
Das Projekt soll unstrukturierte Textdaten aus der Intensivpflege maschinell verarbeitbar machen. Unstrukturierte Freitextdokumentationen enthalten wesentliche Details zur Behandlung. Large Language Models können diese Daten maschinell nutzbar machen, die Patientensicherheit verbessern und medizinisches Personal entlasten. Durch die Integration unerschlossener Datenquellen kann die Verlegungssicherheit des Patienten besser vorhergesagt werden. Das Projekt untersucht zudem die rechtlichen Rahmenbedingungen für den KI-Einsatz in der Medizin für eine rechtskonforme Anwendung in der Praxis.
Projektpartner:
MS-ParadiseAI
Edge-KI verarbeitet Daten direkt auf Geräten am Rand des Netzwerks, anstatt auf zentralen Servern oder in der Cloud. Das erhöht die Daten- und Ausfallsicherheit, minimiert Reaktionszeiten von Systemen und reduziert den Bandbreitenbedarf. Das Projekt MS-ParadiseAI erforscht anhand des Anwendungsfalles eines maritimen Warnsystems, wie der datenlimitierte Lebens- und Aktualisierungszyklus von Edge-KI-Systemen verbessert werden kann. Das bestehende Kollisionsvermeidungssystem der SEA.AI GmbH soll dabei mit effizienten Trainingsdatenauswahlmechanismen und Multi-Modalem Multi-Task-Lernen verbessert werden.
Projektpartner:
RefactorAI
Legacy-Systeme sind veraltete Soft- oder Hardware-Systeme mit überholten Funktionen und ineffizienten Technologien, die immer noch genutzt werden. Um in der sich schnell entwickelnden digitalen Landschaft wettbewerbsfähig zu bleiben, müssen Organisationen ihre Legacy-Systeme modernisieren und auf den neuesten Stand bringen. Um den Quellcode zu verbessern und technische Schulden zu reduzieren, ist ein mühsames manuelles Refactoring erforderlich. Das Projekt RefactorAI will eine KI-integrierte Methodik schaffen, die Entwickler beim Refactoring-Prozess unterstützt. Der Ansatz nutzt die Stärken der generativen KI in Kombination mit bestehenden Modernisierungsansätzen. Auch menschliche Aufsicht wird integriert, um die Nachteile der KI, wie etwa Halluzinationen von großen Sprachmodellen (LLMs), zu begrenzen. Das reduziert Zeit- und Kostenaufwände und minimiert die Systemanfälligkeit.
Projektpartner:
REPIX
Im Projekt REPIX werden (re-)programmierbare Oberflächenbeschichtungen entwickelt. Damit lässt sich das Erscheinungsbild von Produkten mittels gezielter Belichtung wiederholt anpassen. REPIX nutzt photochrome Materialen und entwickelt einen neuartigen KI-basierten Belichtungsprozess. Die REPIX-Technologie schafft eine neue Generation von individualisierbaren Produkten, die sich auch nach Produktion optisch an Kundenwünsche anpassen lassen. Das erhöht die Produktlebensdauer, reduziert den Rohstoffverbrauch und fördert nachhaltigen Konsum. Anwendungsmöglichkeiten sind beispielsweise Nagellackersatz, Brillen- und Textilgestaltung, Lichtkörperdesign oder individualisierbare Küchenfronten.
Projektpartner:
VISION
Das Projekt VISION will den Einsatz von Künstlicher Intelligenz in der zerstörungsfreien Prüfung (NDT) grundlegend transformieren. Dafür werden Foundation-Modelle angepasst und weiterentwickelt. Das sind vortrainierte KI-Modelle, die durch Self Supervised Learning und gezieltes Fine Tuning auf spezifische NDT-Anwendungen zugeschnitten werden. Diese Modelle werden anschließend durch verschiedene Downstream-Tasks und feature-basierte Evaluierungsmethoden auf ihre Eignung und Leistungsfähigkeit getestet. Das Hauptziel ist, die Qualität und Effizienz der Modelle zu optimieren und sie für anspruchsvolle industrielle Anwendungen wie das Prüfen von Hightech-Komponenten nutzbar zu machen.
Projektpartner: