BEISPIEL ENERGIE

Frage: Welche Energieträger sind für mein spezielles Gebäude vorausschauend am vernünftigsten?

SCIO: Voraussetzung für eine diesbezüglich aussagekräftige und vor allem aktuell umsetzbare Prognose ist die Erfassung von Strukturdaten.

Der KI-Algorithmus ermittelt aus diesen spezifischen Gebäudedaten in Korrelation mit entsprechenden wissenschaftlichen Werten aus Datenbanken sowie exklusiven Expertenmeinungen (je nach Detailvorgabe und Verfügbarkeit) die politisch gesetzlich vorgegebene, gesellschaftlich vertretbare, technisch machbare und ressourcenschonendste und damit nachhaltigste Energieform für die Zukunft des betrachteten Gebäudes.

Um über die dabei eingesetzte künstliche Intelligenz hinaus auch die (bisher) nicht programmierbare individuelle menschliche Intuition einzubeziehen, werden zusätzlich verfügbare intuitive Zukunftsexpertisen von ausgewiesenen Fachleuten manuell vorselektiert in die maschinelle Entscheidungsfindung integriert.  

Aktuell geht es in diesr Studie um fossile versus erneuerbare ENERGIE. Umweltgesetze, gesellschaftliche Präferenzen und stetig steigende Preise zwingen Hausbesitzer, jahrzehntelang bewährte Energieträger wie Erdöl, Flüssiggas, Braunkohle, Steinkohle, Holz oder Torf in ihren Gebäuden gegen erneuerbare Energieformen wie Sonne, Wind oder Erdwärme auszutauschen.

Aufgabe dieser umfassenden Energieeffizienz- und Nachhaltigkeitsbetrachtung ist es, aus einem intelligenten Mix mechanisch, thermisch, chemisch oder physikalisch ausgereifter und innovativer Energieträger eine effiziente, möglichst autarke, nachhaltige und finanzierbare Energieversorgung des speziellen Gebäudes zu konzipieren.

   

Mit jeder neuen individuellen Aufgabenstellung und brauchbar assoziativen Lösungsfindung lernt der Algorithmus des PRECOGSCIO dazu.

BEISPIEL MEDIZIN

Frage: Werde ich mit meinen derzeitigen körperlichen Werten aller Voraussicht Krebs bekommen?!

SCIO: Es gibt durch adäquate medizinische Patientendaten bei gewissen Symptomen bereits Möglichkeiten Krebsanfälligkeiten vorherzusagen.

Es liegen spezifische Daten zu molekularen Profilen von Tumoren und tumorassoziierten Zellen vor, die als Biomarker für klinische Ergebnisse vielversprechend sind. Die vorhandenen Datensätze sind jedoch fragmentiert und lassen sich daher nur schwer systematisch auswerten.

Daher präsentieren wir hier eine krebsübergreifende Ressource und eine Meta-Analyse von Expressionssignaturen von ∼18.000 menschlichen Tumoren mit Gesamtüberlebensergebnissen aus 39 bösartigen Erkrankungen.

Mit Hilfe dieser einzigartigen Ressource haben wir das Forkhead Box MI (FOXM1) regulatorische Netzwerk als einen wichtigen Prädiktor für negative Ergebnisse identifiziert und festgestellt, dass die Expression von prognostisch günstigen Genen, einschließlich KLRB1 (kodiert für CD161), weitgehend tumorassoziierte Leukozyten widerspiegelt.

Durch den Einsatz von CIBERSORT (Bioinformatik-Tool) und einem computergestützten Ansatz zur Ableitung der Leukozytenrepräsentation in großen Tumortranskriptomen konnten wir komplexe Zusammenhänge zwischen 22 verschiedenen Leukozytenuntergruppen und dem Krebsüberleben identifizieren. Beispielsweise erwiesen sich tumorassoziierte Neutrophilen- und Plasmazell-Signaturen als signifikante, aber entgegengesetzte Prädiktoren für das Überleben bei verschiedenen soliden Tumoren, einschließlich Brust- und Lungenadenokarzinom.

Diese Ressource und die zugehörigen Analysewerkzeuge können dazu beitragen, prognostische Gene und Leukozyten-Untergruppen innerhalb und zwischen verschiedenen Krebsarten abzugrenzen, die Auswirkungen der Tumorheterogenität auf das Krebsergebnis aufzuklären und die Entdeckung von Biomarkern und therapeutischen Targets zu erleichtern.

(http://precog.stanford.edu)

 

Mit jeder neuen individuellen Aufgabenstellung und brauchbar assoziativen Lösungsfindung lernt der Algorithmus des PRECOGSCIO dazu.

BEISPIEL TECHNIK

Frage: Welche materiellen und personellen Resourcen sind für eine zukunftsorientierte Herstellungsart meines Produktes auf lange Sicht notwendig?

SCIO: Die Entwicklung von datengetriebenen Verfahren im Maschinen- und Anlagenbau ist nur möglich, wenn Daten aus dem operativen Betrieb der Maschinen vorliegen. Hierzu werden Anwendungsfälle der eigenen Produktion der industriellen Kooperationspartner, sowie deren Kunden in die Analyse einbezogen.

Voraussetzung für eine dahingehend kluge wirtschaftliche Prognose ist eine genaue technische Beschreibung des bisherigen Produktionsablaufes, um aus diesen authentischen Daten mit ML (Maschine Lerning), je nach detaillierter Vorgabe, die künftig technisch umsetzbare nachhaltigste Arbeitsweise zu ermitteln.

ML zielt auf die Maximierung der Produktqualität sowie der Leistung und Verfügbarkeit von Maschinen, ab. Diese soll durch eine intelligente Analyse und Auswertung von Sensor- und Betriebsdaten sowie Alarmdaten während des Maschinenbetriebs realisiert werden.

Um von Anfang an eine zielführende, ergebnisorientierte
Datenanalyse zu ermöglichen, soll unbedingt verfügbares menschliches Wissen über die Maschine und die darin ablaufenden Prozesse in die Analyse mit einfließen. Die Umsetzung der datengetriebenen Modelle während des Maschinenbetriebs erfordert intelligente, selbständige Einheiten, die sich an verändernde Umgebungsparametern autonom anpassen und somit bestmöglichen Einsatz der ML-Modelle garantiert.

Mit jeder neuen individuellen Aufgabenstellung und brauchbar assoziativen Lösungsfindung lernt der Algorithmus des PRECOGSCIO dazu.