Projekte

Im Jahr 2023 wurden deutsche Finanzinstitute aufgrund der 7. Novelle der Mindestanforderungen an das Risikomanagement (MaRisk) stark auf die Integration von ESG-Risiken fokussiert. Die neuen Anforderungen betreffen nun auch kleine und mittelgroße Institute und könnten erhebliche Auswirkungen auf deren Risikomanagementpraktiken haben. Da rund 15.000 Unternehmen in Deutschland (bzw. 50.000 in der EU) ab dem Geschäftsjahr 2024 verpflichtend Nachhaltigkeitskennzahlen im Rahmen der EU-weiten Corporate Sustainability Reporting Directive (CSRD) berichten müssen, wird gerade bei den erstmalig berichtspflichtigen Unternehmen eine äußerst heterogene Datenqualität erwartet.

Im Rahmen des Forschungsprojekts wird daher das Erfordernis der Institute nach umfassenden, konsistenten und vergleichbaren Daten als Input für Klimarisikorechnungen adressiert. Die avisierte Software soll die benötigten Informationen aus unstrukturierten Texten, wie Geschäftsberichten, extrahieren und somit eine wichtige Grundlage für automatisierte, standardisierte, kosteneffiziente und skalierbare Datenaufbereitungsprozesse in Finanzinstituten schaffen.

Das im Rahmen der LOEWE Förderlinie 3 des Landes Hessens finanzierte Projekt wird gemeinsam mit dem Frankfurter Softwareanbieter right. based on science und den assoziierten Industriepartnern adesso, DKB Bank und WEPEX durchgeführt. PIs auf Seiten der Frankfurt UAS sind Prof. Dr. Barış Sertkaya, Prof. Dr. Jörg Schäfer und Prof. Dr. Martin Simon.

In der Datenassimilation liefert die Analyse ein umfassendes Bild der Atmosphäre, welches als Ausgangszustand sowohl für numerische Wettervorhersagen als auch für Klimasimulationen dient. Die meteorologische Analyse nutzt eine Vielzahl verschiedener atmosphärischer Messsysteme, jedes dieser Messsysteme hat seinen eigenen Beobachtungsfehler, der von einer Vielzahl von Variablen abhängt und sich im Laufe der Zeit stark verändert. Für den Datenassimilationszyklus ist die dynamische Schätzung von Beobachtungsfehlern eine wesentliche Komponente.

Das Forschungsprojekt zielt auf die Entwicklung neuartiger Ansätze zur Verbesserung der Analyse ab. Hier bietet die Situation mit vielfältigen Abhängigkeiten der Beobachtungsfehler von Modellvariablen, Tageszeit oder Jahr, Standort und vielen anderen spezifischen Merkmalen des jeweiligen Messsystems eine ideale Grundlage für die Hybridisierung von Datenassimilation und Deep-Learning-Techniken.

Das Projekt wird in Kooperation mit dem Deutschen Wetterdienst (DWD) und der Lappeenranta-Lahti University of Technology durchgeführt. PIs auf Seiten der Frankfurt UAS sind Prof. Dr. Jörg Schäfer und Prof. Dr. Martin Simon.

Die Finanzindustrie spielt eine entscheidende Rolle bei der grünen Transformation. Sie kann durch gezielte Investitionen und Finanzierungen maßgeblich dazu beitragen, den Übergang zu einer nachhaltigen, klimaneutralen Wirtschaft zu unterstützen.

Prof. Dr. Martin Simon arbeitet im Rahmen seiner Innovationsprofessur an der Entwicklung neuer Werkzeuge zur Identifizierung und Quantifizierung von Klimarisiken in Anlage- und Kreditportfolien, sog. Temperature-Alignment Metriken. Derzeit sind die dafür benötigten Modellberechnungen sehr rechenzeitintensiv, was ihren praktischen Einsatz in Finanzinstituten erschwert. Es werden KI-basierte Ansätze erforscht, um den Ressourcenbedarf in Produktion erheblich zu reduzieren. Dies schließt die Entwicklung und Validierung von Deep Learning Algorithmen sowie eine Pilotphase zur Nutzung der Lösung in der Praxis ein.

Das Forschungsprojekt wird in Zusammenarbeit mit Prof. Dr. Heikki Harrio (Lappeenranta-Lahti University of Technology) und dem Frankfurter Softwareanbieter right. based on science durchgeführt.

Die Treibhausgasemissionen in die Atmosphäre steigen seit Jahren. Um die Klimaerwärmung auf 1,5°C bzw. 2°C zu begren­zen müssten diese jedoch schnell sinken. Ein effektiver Hebel hierfür ist die Förderung von Recycling und Abfallvermeidung, was auch die natürlichen Rohstoffvorkommen schont. Die Stadt Frankfurt am Main hat sich folgende ‚Zero Waste‘-Ziele gesetzt:

• Reduzierung des Siedlungsabfalls (i. e. Restabfall, Bioabfall, Sperrmüll, sonstige Wertstoffe) aus privaten Haushalten um jährlich zwei Prozent und
• Reduzierung des Restabfalls von derzeit ca. 194 (Stand 2022) auf 120 Kilogramm bis 2035 pro Einwohner und Jahr.

Die Umsetzung dieser Ziele wirft zentrale Fragen auf:

• Wie kann deren Erreichung überwacht und gesteuert werden?
• Welche Haushalte können durch besseres Recycling bzw. weniger Restabfall dazu beitragen?
• Werden Haushalte mit viel Restabfall in der ‚Zero Waste‘-Kommunikation adäquat angesprochen?
• Wie kann der Einstieg in eine Kreislaufwirtschaft umweltschonend erfolgen?

Unsere KI-basierten Antworten auf diese Fragen ermöglichen es der Stadt Frankfurt am Main und der Frankfurter Entsor­gungs- und Service GmbH (FES) deren Maßnahmen zielgerichtet zu verbessern. Mehr Recycling, Kompostierung und Abfall­vermeidung vor Ort reduziert die Treibhausgasemissionen und schont die natürlichen Ressourcen. Bei Fragen rund um das Projekt steht Ihnen Prof. Dr. Josef Fink zur Verfügung.

Der Einsatz Künstlicher Intelligenz (KI) in der Wirtschaft erfordert spezifische Kompetenzen. Neben technischer Expertise benötigt die Wirtschaft insbesondere Kenntnisse, technische Systeme zu bewerten, in betriebliche Prozesse, Arbeitsumgebungen, Produkte und Dienstleistungen einzubetten sowie dauerhaft zu steuern. Diese brückenbauende Rolle fällt primär Wirtschaftswissenschaftler:innen als zentrale betriebliche Entscheider:innen zu.

Ziele des Verbundvorhabens ABBA sind Entwicklung und Bereitstellung eines Lehrmodulbaukastens für KI, der Wirtschaftsstudierenden wissenschaftlich fundiert und praxisnah interdisziplinäre KI-Kompetenzen vermittelt. Der modulare Baukasten unterstützt Lehre für Bachelor-, Master-, Executive-Master-Studierende und Promovierende an Universitäten und Hochschulen für Angewandte Wissenschaften (HAW).

Das Verbundprojekt wird mit insgesamt 4,2 Mio. € vom Bundesministerium für Bildung und Forschung gefördert. Beteiligt sind neben der Frankfurt UAS auch die Universität Bayreuth, die Universität Hohenheim sowie das Karlsruher Institut für Technologie KIT .Für Fragen rund um das Projekt steht ihnen Prof. Nils Urbach (nils.urbach(at)fb3.fra-uas.de) zur Verfügung. Weitere Informationen finden Sie zudem unter ki-lehre.de.

Der Erfolg von KMU beruht häufig auf wissensintensiven Prozessen. Für KMU wird es daher immer wichtiger, Wissen zu bündeln und allen an der Wertschöpfung beteiligten Mitarbeitenden zielgerichtet zur Verfügung zu stellen. Zurzeit sind Daten in KMU oft auf eine Vielzahl unterschiedlicher Dokumente und Formate verteilt. Hier stellt die semantische Suche einen passenden Ansatz dar, um die Suche nach Informationen zu erleichtern. Hierbei ermöglichen Methoden der Künstlichen Intelligenz (KI) durch die computergestützte Verarbeitung natürlicher Sprache das Erkennen von semantischen Beziehungen zwischen Fragen und möglichen Antworten.​ An dieser Stelle setzt das Projekt KIWise an.

Das Ziel des Projekts KIWise ist die prototypische Weiterentwicklung und Implementierung einer semantischen Suche für wissensintensive Prozesse von KMU. Als Ergebnis soll Software in Zusammenspiel mit einem verhaltenswissenschaftlich fundierten Handlungsleitfaden entstehen, mit denen insbesondere KMU einen verbesserten Zugang zu benötigten Informationen in Produktion, Service und Vertrieb erhalten. Unter Berücksichtigung der Einsatz- und Akzeptanzfaktoren, wird dabei eine Steigerung der Produktivität und Reaktionsfähigkeit angestrebt.​

Das Verbundprojekt KIWise wird im Rahmen des Programms "Zukunft der Arbeit" vom Bundesministerium für Bildung und Forschung (BMBF) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Beteiligt ist neben der Frankfurt UAS auch die Universität Bayreuth sowie die deepset GmbH, die Sigmund Lindner GmbH, die Grimmer GmbH sowie die SILOKING GmbH. Für Fragen rund um das Projekt steht ihnen Prof. Nils Urbach zur Verfügung. Weitere Informationen finden Sie zudem unter kiwise.de

Aufgrund der aktuellen ökologischen, ökonomischen und sozialen Herausforderungen hat sich der Handlungsbedarf zur Förderung und Gestaltung einer nachhaltigen Wirtschaft verstärkt. Dabei spielen Kennzahlen zur Umwelt (Environmental), sozialen Entwicklung (Social) und Grundsätze guter Unternehmensführung (Governance), kurz ESG, eine entscheidende Rolle für viele Marktteilnehmer.

Dieses Projekt zielt darauf ab, einen Beitrag zur Transparenz hinsichtlich der Nachhaltigkeitsstrategie von Unternehmen zu leisten, indem es:

• eine öffentliche verfügbare Plattform als zentraler Sammelpunkt für Nachhaltigkeitsberichte und deren Auswertungen ins Leben ruft;
• eine systematische Untersuchung der Methoden zur Verarbeitung natürlicher Sprache und Bildverarbeitung durchführt, um diese zielorientiert für die anvisierten Anwendungen feinzusteuern und weiterzuentwickeln, und;
• die ESG-Performance von führenderen Unternehmen in verschiedenen Branchen untersucht und auswertet.

Dieses Projekt wird vom Bundesministerium für Bildung und Forschung mit einer Innovationsprofessur (2022 – 2025) im Rahmen des PROFfm-Projekts gefördert. Den aktuellen Prototyp sowie weitere Details zum Projekt finden Sie unter www.sustainabilitymonitor.org und https://www.frankfurt-university.de/sustainability-monitor. Für Fragen steht Ihnen Prof. PhD. Gabriela Alves Werb zur Verfügung.

Der Klimawandel ist eine der zentralen gesellschaftlichen Herausforderungen unserer Zeit. Dabei spielt die Finanzindustrie eine Schlüsselrolle, denn eine erfolgreiche Transformation erfordert eine zielgerichtete Umsteuerung von Finanzierungs- und Kapitalflüssen.

Prof. Gabriela Alves Werb, Ph.D., und Prof. Dr. Martin Simon forschen an der Frankfurt University of Applied Sciences an neuartigen sog. Transformer-basierten Sprachmodellen. Diese werden zur automatisierten Informationsextraktion aus unstrukturierten Daten wie etwa aus Jahres- oder Nachhaltigkeitsberichten, Pressemeldungen, Social-Media-Beiträgen oder Websites herangezogen. Diese bieten das Potenzial, Analystentätigkeiten weitgehend mittels entsprechender KI-Tools abzubilden sowie mehr Transparenz hinsichtlich der Nachhaltigkeitsstrategie einzelner Unternehmen und Brachen zu verschaffen.

Im Rahmen dieses Projekts in Zusammenarbeit mit Frankfurt Main Finance e.V. sollen diese an der Hochschule entwickelten Tools herangezogen werden, um für die größten deutschen Banken den Grad der Integration von Klimarisikoaspekten in Strategien, Prozesse und Produkte zu analysieren. In diesem Rahmen werden Informationen aus unstrukturierten Daten erhoben und in Kennzahlen aggregiert, welche die zunehmende Kompatibilität der deutschen Institute mit dem Ziel des Pariser Abkommens im Zeitverlauf dokumentieren. Dabei werden auch Fragen hinsichtlich der verwendeten Standards und Rahmenwerke für die Nachhaltigkeitsberichterstattung beleuchtet und berichtet. Für Fragen stehen Ihnen Prof. PhD. Gabriela Alves Werb und Prof. Dr. Martin Simon zur Verfügung.

A Picture is Worth a Thousand Definitions: Validating Company Data with Satellite Images and Street View

Forschungsdatenzentren und statistische Ämter bieten Analysten, Forschenden und der Öffentlichkeit hochwertige Unternehmensdaten an. Um eine angemessene Qualität und Konsistenz dieser Daten zu gewährleisten, sind erhebliche (manuelle) Prüfungen erforderlich. Allerdings sind solche Prüfungen sehr ressourcenintensiv und nicht auf große Datenmengen skalierbar.

Dieses Projekt zielt darauf ab, ein Verfahren zu entwickeln und zu validieren, das in der Lage ist, Lücken und Inkonsistenzen in Unternehmensdaten zu erkennen und zu korrigieren. Dafür werden Daten in verschiedenen Modalitäten, wie beispielsweise tabellarische Stammdaten, Satellitenbilder und Unternehmensbeschreibungen verwendet, um ein multimodales Deep-Learning-Modell zu trainieren. Das Modell soll in der Lage sein, die Daten zu validieren und fehlende Informationen zu ergänzen.

Dieses Projekt wird gemeinsam mit der Deutschen Bundesbank und der Technische Universität Darmstadt durchgeführt. Für Fragen steht Ihnen Prof. PhD. Gabriela Alves Werb zur Verfügung.

INDAS (Industrial DataScience) wurde 2018 gegründet und ist eine interdisziplinäre Forschungsgruppe, die aus einer Zusammenarbeit zwischen den Clustern Informatik und Maschinenbau der Frankfurt University of Applied Sciences entstand. Die Gruppe hat es sich zum Ziel gesetzt, die Lücke zwischen angewandter Datenwissenschaft und Industrie 4.0 zu schließen, indem sie sich auf maschinelles Lernen in industriellen Anwendungsfällen konzentriert – einschließlich (aber nicht beschränkt auf) vorausschauende Wartung, Qualität und Produktivität. Konkret versucht INDAS, Probleme der Industrie 4.0 im Zusammenhang mit der vorausschauenden Wartung aus der Perspektive der Daten- und Computerwissenschaften anzugehen und entwickelt maschinelle Lernlösungen für industrielle Prozesse.

INDAS besteht zur Zeit aus den Kollegen Prof. Dr. Dirk Stegelmeyer, Prof. Dr. Jörg Schäfer, Prof. Dr. rer. nat. Matthias Wagner und den vier Doktoranden Anna Binder, Fatima Sajid Butt, Anahita Farhang und Marius Lotz

Digitaler Zwilling für Echtzeitanalysen der Wirkungen von Infrastrukturmaßnahmen zur Effizienzsteigerung von Mobilität und Emissionsreduktion in urbanen Räumen

Gefördert von: Bundesministerium für Digitales und Verkehr

Projektpartner: Mercedes-Benz AG, MBition GmbH, B2M Software GmbH

Laufzeit: Oktober 2023 bis September 2025

Projektleitung: Prof. Dr. Tobias Hagen

Ansprechpartner: Amir Babaei, B. Sc.

In den letzten Jahren wurden in Frankfurt/Main verschiedene lokale Infrastrukturmaßnahmen (z. B.  bzgl. Parkraum, Fahrrad- und Fußgänger­wege) mit dem Ziel der Emissionsreduktion durchgeführt. Bisher fehlt jedoch die Möglichkeit, deren Wirkungen und möglichen Nebenwirkungen, wie die Verlagerung des (Parksuch-) Verkehrs, zu evaluieren. Gleichzeitig existieren mit der Ultraschallsensorik aus elektronischen Einparkhilfen sowie Ein- und Ausparkvorgänge von Kfz neue Datenquellen, die bisher kaum sekundär genutzt werden.

Ziel des Projektes ist es, mithilfe der Nutzung unterschiedlicher Datenquellen eine übertragbare Technologie (Prototyp) zu entwickeln, die die (Neben-)Wirkungen von lokalen Maßnahmen im urbanen Raum in Echtzeit analysiert. Darunter fallen die Effekte auf Verkehrsmenge, Geschwindigkeit, Emissionen, verfügbaren Parkraum, Parkdruck und Parksuchverkehr – auch in angrenzenden Gebieten (Verkehrsverlagerung). Die Ergebnisse werden in einem Dashboard anschaulich dargestellt.

Die Ground Truth bzgl. fließendem und ruhendem Verkehr der Testgebiete in der Stadt Frankfurt/Main werden mit Kamerasensorik und manueller Zählung ermittelt. Damit werden die vorliegenden Kfz-Daten (Ultraschall-Sensorik, Ein- und Ausparkvorgänge, FCD, Parksuchverkehr) kalibriert und hochgerechnet. Die Übertragbarkeit wird durch Analysen für Stadtbezirke außerhalb des Testgebiets geprüft. Zur Validierung werden kommunale Daten (Parkscheinautomaten etc.) einbezogen.