Das System erfasst über 200 Wellenlängenbänder und erkennt anhand des spektralen ‚Fingerabdrucks‘ jedes Materials chemische Zusammensetzungen in Echtzeit. Die auf Spektren trainierten Deep-Learning-Modelle zeigen hohe Generalisierbarkeit – ein auf Schinken trainiertes Modell funktioniert etwa auch bei Putenbrust. Die Technologie wurde in Kooperation mit der Technischen Hochschule Nürnberg entwickelt.
ENGEL: KI-Assistenzsystem für sichere Rettungshubschrauberlandungen
Mehrfaches Umkreisen von Landestellen erhöht bei Rettungseinsätzen Sicherheitsrisiken, verzögert die Patientenversorgung und erhöht den Treibstoffverbrauch. Das gemeinsam mit XITASO entwickelte Assistenzsystem ENGEL erfasst die Umgebung sensorbasiert und berechnet daraus optimale Landetrajektorien. Dadurch verkürzt sich die Einsatzflugzeit um rund 10 Prozent, die Erstversorgung erfolgt schneller und die Emissionen sinken.
Drive4C: Benchmark für sprachgesteuertes autonomes Fahren bei Porsche
Bestehende Sprachmodelle beherrschen die Komplexität dynamischer Verkehrssituationen bislang nicht robust genug. Der von Porsche und MHP entwickelte Drive4C-Benchmark testet multimodale Foundation Models in einem geschlossenen Regelkreis unter realitätsnahen Fahrbedingungen, um Trainingslücken systematisch zu identifizieren und die Modellentwicklung gezielt zu verbessern.
KI-basierte Zustandsprognose für Rotorblätter in Offshore-Windparks
Bislang erfolgte die Wartung von Rotorblättern nach festen Zeitintervallen, was zu unnötigen Eingriffen oder zu spät erkannten Schäden und damit zu Ertragsrisiken führte. Das KI-System analysiert Inspektionsdaten, technische Turbineneigenschaften und Wetterdaten, um den tatsächlichen Wartungsbedarf vorherzusagen und die Instandhaltung wirtschaftlich zu optimieren.
Data Factory der Digitalen Schiene Deutschland
Die gemeinsam mit Fujitsu entwickelte Data Factory kombiniert On-Premises- und Edge-Verarbeitung und verarbeitet Echtzeitdaten aus den Betriebssystemen der Bahn. Sie bildet die technische Basis für einen digitalen Zwilling des Schienennetzes und unterstützt KI-gestützte Entscheidungen bei Betrieb und Instandhaltung, langfristig auch für autonomes Fahren.
KI-gestützte Nachfrageprognose und Carbon Intelligence in globalen Lieferketten
Im Rahmen eines von der Logistik-Initiative Hamburg organisierten Workshops mit Ingenics Consulting präsentierte pacemaker.ai, ein als Corporate Venture von thyssenkrupp gegründeter Softwareanbieter, seine KI-gestützten Supply-Chain-Lösungen. Das System nutzt Mustererkennung in großen Datenmengen und analysiert Verkaufszahlen, saisonale Schwankungen und Wetterdaten, um Nachfrageprognosen zu erstellen und Lieferketten unter anderem im Hinblick auf CO2-Emissionen zu optimieren.
KI-Analyse von Smartphone- und Kamerabildern erkennt Straßenschäden automatisch
Statt reaktiver Einzelreparaturen ermöglicht die datengetriebene, KI-gestützte Zustandsanalyse Kommunen eine vorausschauende Instandhaltungsplanung. Für die Lösung erhielt EDGITAL GmbH den Innovationspreis 2025 der Deutschen Verkehrswissenschaftlichen Gesellschaft (DVWG).
KI-Plattform wertet 300 Terabyte Geodaten für Grundstücksentscheidungen aus
Kernstück ist eine auf deutsches Baurecht (§ 34 BauGB) spezialisierte KI-Engine, trainiert auf über 300.000 synthetischen Objekten und validiert gegen mehr als 1.000 Experteneinschätzungen. Die Plattform bildet digitale Zwillinge von 62 Millionen deutschen Grundstücken und Gebäuden und ermöglicht laut Anbieter bis zu 80 Prozent schnellere Due-Diligence-Prüfungen.
Genus Focus: KI und MRT bestimmen Geschlecht im Hühnerei ohne Kükentöten
Das System klassifiziert jedes Ei automatisch nach Zuchttauglichkeit, Eierproduktion, Hähnchenmast oder unbefruchtetem Verzehrei in rund einer Sekunde pro Ei. Lohmann Deutschland hat die Technologie 2023 an seinem Brütereistandort Dorum installiert. Die Lösung ist konform mit dem deutschen Verbot des Kükentötens und wurde mit dem 1. Hauptpreis des Innovationspreis Bayern 2024 ausgezeichnet.
TOXPR: KI-gestützte Toxizitätsvorhersage ohne Tierversuche
Das TOXPR-System analysiert chemische Strukturen neuer Wirkstoffkandidaten mit Machine-Learning-Modellen und klassifiziert deren Gefährlichkeit automatisch. Dadurch werden bis zu 40 externe In-vivo-Studien pro Jahr vermieden und über 200.000 Euro jährlich eingespart. Gleichzeitig verbessert sich die Arbeitssicherheit im Labor, da weniger gefährliche Substanzen physisch getestet werden müssen.