SPA

Ausgangssituation

Vorhersagen prägen unser aller Leben – im Privaten wie auch im Beruflichen. Dabei reicht das Spektrum von der alltäglichen Wettervorhersage, über die Prognose von Krankheitsverläufen, bis hin zur Vorhersage optimaler Wartungszeitpunkte für komplexe industrielle Anlagen. Die Grundlage für Vorhersagen bilden Daten und deren korrekte Auswertung: Mit der zunehmenden Digitalisierung aller Lebensbereiche und die damit einhergehende, stetig wachsende Menge verfügbarer Daten, konnten in den vergangenen Jahren einerseits die Vorhersagegenauigkeit enorm gesteigert werden und andererseits neue Anwendungsfelder erschlossen werden. Einen wesentlichen Anteil am Erfolg von Vorhersagen ist der Anwendung und kontinuierlichen Weiterentwicklung computergestützter Technologien, wie Data Mining, Simulation oder Machine Learning, zuzuschreiben. Diese ermöglichen es, große Datenmengen in adäquater Zeit auszuwerten und dennoch eine möglichst exakte Aussage zu treffen. Die Information einer Vorhersage – ein mit gewisser Wahrscheinlichkeit eintretender Zustand oder Ereignis – wirft jedoch zwangsläufig die Frage nach einer akkuraten Reaktion, also Weiterverarbeitung der Information, auf.

Mit dieser Frage beschäftigt sich das derzeit noch im Aufbau befindliche Forschungsfeld der Prescriptive Analytics: Die datenbasierte Ableitung von Handlungsempfehlungen. Die Sicherheit und Vertrauenswürdigkeit der Daten sowie deren Auswertung repräsentieren aufgrund der allgegenwärtigen Aufzeichnung zwei immer stärker in den Vordergrund rückende Aspekte von der Datenakquise bis zur Vorhersage. Im Fall von Prescriptive Analytics werden diese Aspekte sogar noch wichtiger, da es von der automatisierten Erzeugung von Handlungsempfehlungen bis zu deren Umsetzung in der Realität, keinen weiteren Kontrollmechanismus mehr gibt. Die effiziente Erzeugung vertrauenswürdiger Handlungsempfehlungen kann durch bisherige Systeme nicht in vollem Umfang geleistet werden, da diese verschiedenen Limitationen aufweisen (hohe Verfahrenslaufzeiten, hoher initialer Aufwand zur Systemmodellierung, fehlende Wahrung der Informationssicherheit und Vertrauenswürdigkeit, fehlendes Technologievertrauen); Dementsprechend benötigt es weiteren Forschungsaufwand.

Zielsetzung

Die zentrale Forschungsfrage diese Projektvorhabens lautet:

Mit welcher Methodik können Handlungsempfehlungen für Problemstellungen realer Systeme möglichst exakt, effizient, sicher und vertrauenswürdig durch Anwendung datenbasierter Technologien in der Digitalwelt generiert und in die reale Welt zurückgeführt – und damit die Idee von Secure Prescriptive Analytics realisiert – werden?

Um dem umfangreichen Lösungsanspruch von Secure Prescriptive Analytics Genüge zu tun, muss ein Weg gefunden werden, existierende Technologien und Methoden, die für spezielle Anwendungsbereiche (z.B. Prognose von Ereignissen, Simulation dynamischer Systeme, Optimierung in statischen Umgebungen, etc.) entwickelt wurden, im Rahmen eines ganzheitlichen Konzepts zu kombinieren. Infolgedessen sollen die Methoden aus den Bereichen Machine Learning, Simulation (Digital Twin) und Optimierung eine enge SPA – Secure Prescriptive Analytics 5 Verschränkung eingehen und neue, breitere Einsatzgebiete erschließen, die sich im Zuge der fortschreitenden und durchgängigen Digitalisierung ergeben. Im Rahmen des Projekts soll dies einerseits durch die Entwicklung eines innovativen Modellierungskonzeptes gelingen, welches die variabel-granulare und hierarchische Abbildung realer Systeme ermöglicht. Mithilfe dieses Konzepts soll die Verfahrenslaufzeit bisheriger Systeme zur Generierung von Optimierungsergebnissen reduziert und durch den dadurch möglichen Einsatz komplexerer Verfahren, bessere Ergebnisse erzielt werden. Um die Vertraulichkeit der den Modellen zugrundeliegenden Daten zu wahren, müssen die eingesetzten Machine Learning Methoden außerdem entsprechend adaptiert und weiterentwickelt werden. Darüber hinaus gilt es im Rahmen des Projekts die Methoden dahingehend zu verbessern, dass sich die resultierenden Modelle von Menschen als interpretier- und lesbar gestalten und somit einerseits das Technologievertrauen fördern und andererseits die Möglichkeit schaffen, neues Domänen Wissen ableitbar zu machen. Zur nachhaltigen Sicherung der geplanten Projektinnovationen wird eine Software Plattform entwickelt, die den beschriebenen Lösungsansatz prototypisch implementiert und in Form von Open Source frei zugänglich macht. Der Entwicklungsprozess der Methoden und der Plattform wird durch Erzeugung von und das Testen mit Benchmark-Instanzen begleitet. Dieser testgetriebene Ansatz soll die spätere Verwertbarkeit der Ergebnisse gewährleisten. Die FH Oberösterreich Campus Hagenberg (FH Hagenberg) und die RISC Software GmbH (RISC) bündeln im Rahmen dieses Projekts ihre Forschungskompetenzen Machine Learning, Simulation – Digital Twin, sowie Optimierung und treten gemeinsam in Form einer Schuldnergemeinschaft als gleichberechtige Antragstellerinnen auf. Komplettiert wird dieses Konsortium durch das Software Competence Center Hagenberg (SCCH), welches als Drittleisterin vor allem die Forschungsschwerpunkte Privacy Preserving Machine Learning und Interpretable Deep Learning einbringt. Im Rahmen dieses Projekts soll durch die Kombination der einzelnen Kompetenzen in Form eines innovativen Konzepts zur Modellierung und Optimierung realer, industrieller Systeme das Thema Secure Prescriptive Analytics (SPA) erforscht werden. Damit wird ein neuer, kompetenzübergreifender Forschungsschwerpunkt in Oberösterreich etabliert und im Zuge der Projektentwicklung für die oberösterreichische Industrie verfügbar gemacht

Projektkonsortium

• Software Competence Center Hagenberg GmbH (SCCH)
• FH Oberösterreich Campus Hagenberg (FH Hagenberg)
• RISC Software GmbH (RISC)

Projektdauer

1.    Jänner 2022 – 31. Dezember 2025

Fördergeber

Das Projekt wird im Rahmen der #upperVISION2030 durch das Land Oberösterreich gefördert.