SUCCESS STORIES
Zusammenfassungen von vergangenen Veranstaltungen und Events sowie erfolgreichen Firmenkooperationen im Rahmen des Green-Inno Projekts
April 2026
KI-gestützte Prozessoptimierung
Beschreibung
Gemeinsam mit der nubibase GmbH, einem Unternehmen mit Schwerpunkt auf Datenintegration und Automatisierung, wurde im Rahmen der Bachelorarbeit von Paul Manoj Thomas untersucht, wie sich typische Unternehmensprozesse durch moderne Automatisierungslösungen und den Einsatz von Large Language Modellen effizienter und intelligenter gestalten lassen. Im Zuge des Projekts wurden zwei n8n basierte Workflows entwickelt, die operative Prozesse bei nubibase automatisiert unterstützen und Informationen systemübergreifend verarbeiten.
Im Fokus standen Aufgaben, die in vielen Unternehmen noch manuell oder über mehrere Plattformen hinweg bearbeitet werden. Für nubibase sind solche Medienbrüche aus der täglichen Projektpraxis besonders relevant, da sie Zeit kosten, Fehlerquellen erhöhen und effiziente Abläufe erschweren. Das Projekt zeigte, wie sich diese Herausforderungen durch intelligente, datengetriebene Workflows gezielt reduzieren lassen und wie Open-Source-Komponenten sinnvoll mit bestehenden Systemlandschaften
zusammenspielen können.
Betreut wurde die Arbeit von Prof. Dr. Alexander Dobhan.
Projektziele
- Praxisnahe Automatisierung für nubibase: Wiederkehrende Aufgaben in Vertrieb und Betrieb sollten so automatisiert werden, dass Mitarbeitende von manuellen Routinen entlastet und Abläufe effizienter gestaltet werden.
- Intelligente Systemverknüpfung: Relevante Systeme und Datenquellen sollten über n8n so verbunden werden, dass Informationen konsistent, schnell und ohne doppelte Datenerfassung weiterverarbeitet werden können.
- Erprobung zukunftsfähiger Technologien: Für nubibase stand zudem die Frage im Mittelpunkt, wie sich Open-Source-Lösungen wie n8n im Zusammenspiel mit etablierten Plattformen in realen Unternehmenskontexten einsetzen lassen.
Projekterfolge
- Automatisierte Unterstützung im Presales-Prozess: Ein Workflow wurde für vertriebliche Vorbereitungsprozesse entwickelt. Relevante Informationen zu potenziellen Zielunternehmen werden automatisiert gesammelt, aufbereitet und in das CRM-System überführt.
- Intelligentes Monitoring im operativen Betrieb: Ein zweiter Workflow unterstützt nubibase bei der Überwachung von Service-Levels und Systemzuständen. Kritische Situationen werden automatisch erkannt, priorisiert und mit geeigneten Folgeaktionen wie Ticketanlage oder Benachrichtigungen verknüpft. So können operative Verzögerungen frühzeitig abgefangen werden.
- Mehr Effizienz und Datenqualität: Durch die automatisierte Erfassung und Weiterverarbeitung von Informationen werden Prozesse beschleunigt, Fehler reduziert und die Konsistenz der Daten in den verbundenen Systemen verbessert.
März 2026
Intelligente Vervollständigung und Analyse von Kunststoffdaten zur Förderung der Kreislaufwirtschaft
Beschreibung
Das Projekt adressiert eine zentrale Herausforderung der Kunststoffkreislaufwirtschaft: die unvollständige Datenlage zu Materialeigenschaften in großen Polymerdatenbanken. Auf Basis eines Datensatzes mit rund 70.000 Kunststoffen wurden Methoden entwickelt, um fehlende mechanische und strukturelle Informationen systematisch zu rekonstruieren und nutzbar zu machen.
Die Umsetzung erfolgte in enger Zusammenarbeit mit der Firma infosim, um industrielle Anforderungen an Skalierbarkeit, Integration und Workflow-Automatisierung von Beginn an zu berücksichtigen.
Projektziele
Im Mittelpunkt stand die Entwicklung einer KI-gestützten Methodik zur Missing-Value-Imputation, die physikalische Zusammenhänge von Kunststoffen berücksichtigt und typische Schwächen rein datengetriebener Black-Box-Ansätze vermeidet. Dafür wurde eine Hybrid Neuro-Symbolic Pipeline konzipiert, die semantische Muster aus unstrukturierten Produktdaten erkennt, Messwerte standardisiert, Materialmerkmale extrahiert und fehlende Eigenschaften entlang physikalischer Abhängigkeiten schätzt.
Langfristig verfolgt das Projekt das Ziel, Ähnlichkeitssysteme zwischen Kunststoffen aufzubauen, um Unternehmen bei der Identifikation kreislauffähiger Materialalternativen und nachhaltiger Produktdesignentscheidungen zu unterstützen.
Projekterfolge
Das Projekt führte zu einer praxistauglichen Pipeline, die generative KI, symbolische Regeln und domänenspezifische Validierung kombiniert und damit physikalisch konsistente Materialdaten erzeugt. Experimentelle Ergebnisse zeigen eine hohe Prognosegüte bei der Rekonstruktion zentraler mechanischer Eigenschaften sowie eine deutliche Reduktion nicht-physikalischer Schätzwerte. Unternehmen erhalten dadurch die Möglichkeit, bestehende Materialdaten systematisch zu aktivieren, Werkstoffe fundierter zu vergleichen und Substitutionsentscheidungen zu beschleunigen. Die Zusammenarbeit mit infosim stellte sicher, dass die entwickelte Lösung direkt in industrielle Datenumgebungen überführbar ist und einen konkreten Beitrag zur datengetriebenen Kunststoffkreislaufwirtschaft leistet.
Februar 2026
Ausgezeichnete Bachelorarbeit: Optimiertes Scheduling für Biogasanlagen
Beschreibung
Amelie Popp entwickelte im Studiengang Informatik im Rahmen ihrer Bachelorarbeit zum Thema „Development of a prototype implementation for optimized scheduling in biogas plants“ einen praxisnahen Prototypen zur optimierten Einsatzplanung von Biogasanlagen.
Die Arbeit zeigt, wie digitale Planung zu mehr Effizienz, besserer Energieausbeute und Potenzial zur Emissionsverminderung beitragen kann.
Betreut wurde die Arbeit von Prof. Dr. Frank-Michael Schleif. Für diese hervorragende Abschlussarbeit wurde Amelie Popp im Rahmen der Preisverleihung 2025 durch die Hans-Wilhelm Renkhoff Stiftung (ABR Technik und Wirtschaft) ausgezeichnet.
Dezember 2025
Best Paper Award auf der IDEAL Konferenz 2025
Beschreibung
Wir präsentierten unseren Beitrag auf der IDEAL 2025-Konferenz und hielten einen wissenschaftlichen Vortrag. Die Publikation wurde gemeinsam von Gengcheng Lyu, Manuel Röder und Frank-Michael Schleif verfasst.
Das Echo-State-Network (ESN) ist ein effizientes, einfaches und ressourcenschonendes neuronales Netzwerk, das von vielen Forschenden in
verschiedenen Architekturen und Anwendungsszenarien eingesetzt wird. Unsere Studie führt erstmalig die Smooth-L1-Regularisierung in das Training der Ausgabeschicht eines ESN ein. Diese Methode nähert den L1-Regularisierungsterm durch eine glatte und differenzierbare Approximation an, überwindet so das Problem der Nicht-Differenzierbarkeit traditioneller L1-Regularisierung bei Null und ermöglicht damit eine effiziente Optimierung mit Methoden wie dem Newton-Verfahren.
Diese Forschung bestätigt die Machbarkeit der Smooth-L1-Regularisierung, um in ESNs eine effiziente Gewichtsreduzierung (Sparsity) zu erreichen.
Da die Methode mit gradientenbasierten Optimierungsframeworks kompatibel ist, eignet sie sich natürlicherweise für verteilte Lernumgebungen wie
das föderierte Lernen (Federated Learning) und eröffnet einen vielversprechenden Weg für die zukünftige Entwicklung kommunikationseffizienter intelligenter Edge-Systeme zur Zeitreihenverarbeitung.
Auf der Konferenz wurde unser Beitrag aus zahlreichen Einreichungen ausgewählt und mit dem Best Paper Award ausgezeichnet.
November 2025
Prototypische Implementierung eines
ESG-Assistenten auf Basis von
Retrieval-Augmented Generation (RAG)
Beschreibung
Der im Rahmen der Arbeit entwickelte ESG-Assistent zeigt, wie sich komplexe Nachhaltigkeitsrichtlinien mit Hilfe von Retrieval-Augmented Generation (RAG) praxisnah nutzbar machen lassen. Im Mittelpunkt steht ein Chatbot, der ESG-Dokumente semantisch durchsucht, relevante Passagen identifiziert und Antworten in verständlicher Sprache liefert. Statt sich ausschließlich auf das interne Wissen eines Sprachmodells zu stützen, kombiniert das System eine Vektorsuche mit einem lokalen LLM (Phi-3 Mini) und stellt zudem Quellenangaben bereit. So werden umfangreiche, formal formulierte ESG-Regelwerke in eine leicht zugängliche Form überführt.
Das Thema ESG-Reporting war ein zentrales Anliegen vieler teilnehmender Firmen des vorangegangenen EFRE Design Thinking Workshops, wo es als eines der am häufigsten gewünschten Themen hervorging. In diesem Kontext bietet der ESG-Assistent eine wertvolle Unterstützung, indem er Unternehmen hilft, die zunehmend komplexen und regulatorischen Anforderungen im Bereich der Nachhaltigkeit effizient zu navigieren.
Die Ausgangslage war in mehrfacher Hinsicht anspruchsvoll. ESG-Dokumente sind umfangreich, rechtlich sensibel und inhaltlich vielschichtig. Gleichzeitig sollte das System vollständig lokal betrieben werden, damit Daten nicht an externe Dienste übertragen werden. Zusätzlich mussten alle Systemkomponenten technisch präzise aufeinander abgestimmt werden, um verlässliche, transparente und zugleich performante Antworten zu ermöglichen.
Projektziele
Diese Ziele konnten in der Implementierung erfolgreich umgesetzt werden:
- Automatisierte Verarbeitung und Indexierung von ESG-Dokumenten: Hochgeladene ESG-Dokumente werden automatisch verarbeitet, in inhaltlich sinnvolle Chunks zerlegt, eingebettet und für die semantische Suche indexiert, sodass eine effiziente und präzise Suche ermöglicht wird.
- Dokumentengestützte Antworten mit Transparenz: Nutzerinnen und Nutzer erhalten präzise, dokumentengestützte Antworten, die durch Quellverweise und einen Confidence-Score ergänzt werden. Der Confidence-Score zeigt dabei die Relevanz der verwendeten Textstellen und gewährleistet so eine transparente Nachvollziehbarkeit der Antworten.
- Reproduzierbarkeit und Erweiterbarkeit durch Docker: Durch die Containerisierung des ESG-Assistenten mit Docker wird eine einfache Startbarkeit, Reproduzierbarkeit und Erweiterbarkeit des Systems gewährleistet. Dies ermöglicht eine flexible Nutzung und Anpassung an zukünftige Anforderungen.
- Einsatz von KI in regulierten Bereichen: Der Prototyp zeigt konkret, dass Künstliche Intelligenz auch in stark regulierten Bereichen wie der Nachhaltigkeit sinnvoll, nachvollziehbar und datenschutzfreundlich eingesetzt werden kann, ohne die Anforderungen an den Datenschutz und die Compliance zu gefährden.
Oktober 2025
Special Session:
'Collaboratorive AI: Advancing Federated Learning Across Disciplinces'
12th IEEE International Conference on Data Science and Advanced Analytics (DSAA) 2025,
Birmingham,
Beschreibung
Mit großem Erfolg haben wir die Special Session „Collaborative AI: Advancing Federated Learning Across Disciplines“ im Rahmen der DSAA 2025 organisiert und ausgerichtet. Ziel der Session war es, führende Forschende und Praktiker:innen aus verschiedenen Disziplinen zusammenzubringen, um neue Wege für föderiertes maschinelles Lernen (Federated Learning) zu diskutieren und interdisziplinäre Zusammenarbeit zu fördern.
Im Mittelpunkt stand die Frage, wie KI-Systeme in zunehmend komplexen und verteilten Umgebungen effektiv und datenschutzfreundlich lernen können – insbesondere dort, wo Daten aus Gründen der Privatsphäre nicht zentralisiert werden dürfen. Die Session bot eine Plattform für den Austausch über aktuelle Fortschritte in Bereichen wie Lernen in heterogenen Systemen, effiziente Kommunikationsprotokolle, Modellkompression, adaptive Aggregationsverfahren und Differential Privacy.
Besonderes Augenmerk lag auf der Anwendung von ressourcenschonenden Methoden in föderierten Kontexten – etwa in der Medizin, im Automotive-Bereich, in Empfehlungssystemen, Sensornetzwerken oder der Textverarbeitung. Dabei stand stets das Gleichgewicht zwischen Privatsphäre, Effizienz und Leistungsfähigkeit im Vordergrund.
Die Session förderte den Dialog zwischen verschiedenen Forschungsrichtungen und zeigte, wie kollaborative KI-Ansätze Brücken zwischen traditionell getrennten Disziplinen schlagen können. Durch den interdisziplinären Austausch wurden neue Perspektiven eröffnet, die zukünftige Innovationen im Bereich des föderierten Lernens entscheidend prägen dürften.
Organisiert wurde die Session von Frank-Michael Schleif, Barbara Hammer, Mirko Polato und Manuel Röder, die gemeinsam eine inspirierende Plattform für wissenschaftliche Zusammenarbeit geschaffen haben.
Links:
Collaboratorive AI: Advancing FL Across Disciplines @DSAA2025
September 2025
Nachhaltigkeit durch Datenanalyse
Beschreibung
Studierende der Technischen Hochschule Würzburg-Schweinfurt (THWS) haben in Kooperation mit der Warema Renkhoff SE ein praxisnahes Projekt umgesetzt. Ziel war es, Maschinendaten systematisch zu analysieren, aufzubereiten und so eine effizientere sowie nachhaltigere Nutzung der Maschine zu ermöglichen.
Im Projekt GREEN-INNO entwickelten Studierende der THWS in Kooperation mit der Warema Renkhoff SE ein datenbasiertes Modell, das Sensorwerte und Maschinendaten aus Produktionsprozessen auswertet. Das zugrunde liegende Framework ermöglicht eine einheitliche Lösung von der Datenaufbereitung bis zur Visualisierung und macht den Einfluss verschiedener Einflussfaktoren auf Energieverbrauch und Ressourceneffizienz sichtbar.
Als Proof of Concept zeigt das Projekt, wie eine Maschine mithilfe von prediktiver Instandhaltung und einem Dashboard gezielt energieeffizienter, ressourcenschonender und nachhaltiger betrieben werden kann. Durch die kontinuierliche Analyse der Sensordaten lassen sich Verschleiß, ineffiziente Betriebszustände und unnötige Energieverluste frühzeitig erkennen – und so ökologische wie wirtschaftliche Optimierungen direkt im Betrieb realisieren.
Projektziele
- Entwicklung innovativer Lösungen im Bereich Nachhaltigkeit: Ziel war es, aus Maschinendaten und Sensorwerten neue Ansätze zu entwickeln, die Energieverbrauch und Ressourceneinsatz transparenter machen.
- Brücke zwischen Theorie und Praxis: Durch die Arbeit mit echten Unternehmensdaten sollte gezeigt werden, wie wissenschaftliche Methoden direkt in der industriellen Praxis Mehrwertschaffen.
Projekterfolge
- Praxisnahe Konzepte: Die Ergebnisse liefern Warema konkrete Impulse, wie sich Nachhaltigkeit aus Datengewinnen ableiten lässt – von der Analyse über die Aufbereitung bis hin zur Visualisierung.
- Innovative Ansätze: Das Projekt demonstriert, wie digitale Methoden Nachhaltigkeit nicht nur sichtbar, sondern auch steuerbar machen. Mit Hilfe von prediktiver Instandhaltung und einem intuitiven Dashboard wird deutlich, wie Maschinen künftig energieeffizienter, ressourcenschonender und nachhaltiger betrieben werden können.
Juli 2025
Nachhaltige Optimierung der Auftragsallokation und Routenplanung für mobile Roboter
in der Fabriklogistik
Motivation
Die Zukunft des Transports in Fabriken gehört mobilen Robotern. Die Flexus AG, ein SAP-Partner für Lagerverwaltung, entwickelt Software für die Aufgabenzuteilung und Routenplanung für mobile Roboter. Im Rahmen dieses Projekts, das unter dem Dach des EFRE-Projekts Green-Inno läuft, wird untersucht, wie mit bestehenden kosten- oder distanzbasierte Algorithmen zur Auftragsallokation und Routenplanung von mobilen Robotern eine CO2e Reduktion erzielt werden kann und wie die Algorithmen entsprechend dahingehend modifiziert werden können.
Aufgabenstellung
- Analyse der CO2e-Emissionen: Zunächst sollte untersucht werden, in wieweit CO2e-Emissionen von Faktoren wie Routenlänge, Ladezyklen und den Robotern selbst abhängen.
- Bewertung bestehender Algorithmen: Parallel dazu war die Evaluierung der Effektivität der aktueller Algorithmen in Bezug auf die Reduzierung von CO2e-Emissionen ein Ziel.
- Modifikation der Algorithmen: Zusätzlich sollte eine Anpassung der Algorithmen zur Berücksichtigung von CO2e-Emissionen vorgeschlagen werden. Dabei war zum Beispiel auch von Interesse, wie Ladezyklen bei der Routenplanung und Auftragsallokation berücksichtigt werden können.
Projektergebnisse
- Prototypenentwicklung: Es wurde ein Prototyp entwickelt, der den bestehenden Algorithmus ebenso abbildet, wie Modifikationen des Algorithmus, um die Effizienz und Nachhaltigkeit der Routenplanung und Aufgabenzuteilung zu testen und zu vergleichen.
- Optimierung der Routenplanung: im Zuge dessen wurde insbesondere die Aufgabenallokation angepasst, um die Gesamtroute der Roboter zu verkürzen.
- Energieeffizienz und Lademonitoring: Darüber hinaus wurde ein Lademonitoring zur Unterstützung von CO2-reduziertem Langsamladen konzipiert, um eine praktische Umsetzung und Einsparungen bei den Emissionen zu ermöglichen.
- Weitere Konzepte und Ideen: Schließlich wurden Ideen wie die Optimierung der Robotergeschwindigkeit, Vermeidung von Leerlaufzeiten und Nutzung erneuerbarer Energien zur weiteren Verbesserung der Energieeffizienz und Reduzierung der CO2-Emissionen beschrieben und diskutieret.
- Dokumentation: Über das gesamte Projekt erfolgte eine umfassende Projektdokumentation, die alle Schritte, Analysen und Ergebnisse detailliert beschreibt.
April 2025
Innovationsworkshop
Use Case Ideation
Zusammenfassung
Am 9. April 2025 fand im Rahmen des Projekts GREEN-INNO ein erfolgreicher Innovationsworkshop mit dem Schwerpunkt KI-Use-Case-Ideation statt.
Ziel war es, konkrete Anwendungsfälle für Künstliche Intelligenz (KI) in Unternehmen aus der Region zu identifizieren und gemeinsam erste Lösungsideen zu entwickeln.
Der Workshop brachte Unternehmensvertreter:innen, Forschende und Interessierte zusammen, um in einem kreativen und praxisorientierten Rahmen die Potenziale von KI zu erkunden und nutzbar zu machen.
Der GREEN-INNO Workshop war geprägt von intensiver Zusammenarbeit, kreativen Methoden und einem starken Praxisbezug. In mehreren interaktiven Phasen wurden vielfältige Ideen für KI-Anwendungen entwickelt, bewertet und dokumentiert.
Erreichte Ziele:
- Entwicklung konkreter und relevanter Use-Case-Ideen für KI-Anwendungen.
- Verständnis für die Besonderheiten von KI-Projekten im Vergleich zur klassischen Softwareentwicklung.
- Einsatz bewährter Methoden wie Design Thinking, Empathy Maps, SWOT-Analyse und Six Thinking Hats.
- Strukturierte Bewertung und Dokumentation der Use-Cases mit dem AI Use-Case Canvas.
Die Teilnehmenden lobten besonders den methodischen Aufbau und die praxisnahe Herangehensweise. Die Ergebnisse bieten eine solide Grundlage für weiterführende KI-Projekte in Unternehmen.
Kurzüberblick
1. Begrüßung & Zielsetzung
Einführung in KI-Use-Cases und Zieldefinition des Workshops.
2. Ideation-Vorbereitung
Festlegung von Fokusbereichen (z. B. Produkte, Prozesse, Services), Gruppenbildung.
3. Kreativphase: Use-Case-Ideation
Methoden wie Blitzlichtgewitter, AI-Playing Cards, Erstellung von Personas und Empathy Maps.
4. Strukturierung & Bewertung
Schnellbewertung der Ideen, Anwendung der Six Thinking Hats, SWOT-Analyse.
5. Ausarbeitung & Dokumentation
Konkrete Beschreibung und Visualisierung der ausgewählten Use-Cases im AI Use-Case Canvas.
6. Abschluss & Reflexion
Zusammenfassung der Ergebnisse, offenes Feedback, Austausch über nächste Schritte.
Fazit
Der GREEN-INNO Workshop hat gezeigt, wie kreative Methoden und strukturierte Analyse in Kombination zu praxisrelevanten KI-Innovationen führen können. Die erarbeiteten Use-Cases bieten eine wertvolle Grundlage für weiterführende Entwicklungen und werden auf unserer Projektseite zur weiteren Bearbeitung aufgeführt.
Teilnehmer
