18.09.2020

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

Transfer Learning kann helfen, wenn nicht genug Daten für den Einsatz von KI-Anwendungen zur Verfügung stehen.
/artikel/wie-man-auch-mit-wenig-daten-ki-losungen-nutzen-kann
(c) TRUMPF Maschinen Austria

Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt. Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können? Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden. Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann. Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).

Transfer Learning: Anschaulich illustriert

(c) SCCH

Links: Klassisches Machine Learning from Scratch bei dem für jeden Datensatz mit unterschiedlicher statistischer Charakteristik (z.B. Bilder einer Inspektionskamera für einen speziellen Bauteil) ein eigenes Modell gelernt wird (z.B. um einen Defekt im Bauteil zu erkennen). Das kann bei einem neuen Bauteil welcher nur in kleiner Menge produziert wird zu Problemen führen, da klassische Machine Learning Modelle sehr datenhungrig sind und schlechte Ergebnisse liefern, wenn zu wenige Daten vorhanden sind.

Rechts: Transfer Learning ist eine Erweiterung des klassischen Machine Learning Ansatz, die darauf abzielt Informationen neuer Daten mit Informationen alten Daten derart zu kombinieren, sodass das Problem von zu wenig Information (z.B. zu wenige Inspektionsbilder eines neuen Bauteils) gelöst werden kann.

Industrie als Vorreiter des Transfer Learning

„Seit 2010 setzen wir im Bereich Data Science Methoden des Transfer Learning ein. Vorbild waren Ansätze, mit denen bestehende Daten zur Problemlösung A mittels Künstlicher Intelligenz (KI) auf ein verwandtes Problem B übertragen werden können“, sagt Bernhard Freudenthaler, Area Manager Software Science am SCCH.

Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern. „Der Vorteil für Industriebetriebe liegt in der Zeiteinsparung. Denn ohne Transfer Learning muss für jede Maschinenkonfiguration das Training der KI wieder von Neuem begonnen werden.

Transfer Learning ist auch Thema im COMET-Projekt Deepred (Deep Learning based Predicictive Analytics and Optimization). Ein Schwerpunkt ist die Unterstützung vieler ähnlicher Prozesse mit dem Ziel, die richtige Lösung ohne teure, umfassende und prozessspezifische Datensammlung zu finden. Dadurch können KI-basierte Produktionsprozesse flexibler gestaltet und Trainingszeiten des KI-Modells im besten Fall ganz vermieden werden“, so Freudenthaler.

Künstliche Intelligenz für die Blechfertigung

In einer Forschungskooperation arbeitet das SCCH außerdem mit dem oberösterreichischen Maschinenbauunternehmen TRUMPF Maschinen Austria zusammen. „Wir sehen diese Entwicklung als große Chance“, sagt dazu Bernhard Fischereder, Leiter Forschung und Entwicklung bei TRUMPF: „Ziel der langfristigen Zusammenarbeit ist es, die Erkenntnisse der aktuellen Forschung zur Künstlicher Intelligenz und Industrie 4.0 in der Blechbearbeitung zu verankern.“

Deine ungelesenen Artikel:
31.07.2026

Sonnnig: Wie das Energy-Sharing-Startup seine Endkund:innen-Plattform für Energieversorger weiterentwickelt

Das Wiener Startup sonnnig baut eine White-Label-Lösung zur Verwaltung von Energiegemeinschaften. Nach dem Erfolg bei Privatabnehmer:innen will das zwei Jahre alte Unternehmen nun Energieversorgern unter die Arme greifen. Mit einer neuen aws-Seedfinancing-Förderung im Rücken sucht das Team Partnerunternehmen.
/artikel/sonnnig-wie-das-energy-sharing-startup-seine-endkundinnen-plattform-fuer-energieversorger-weiterentwickelt
31.07.2026

Sonnnig: Wie das Energy-Sharing-Startup seine Endkund:innen-Plattform für Energieversorger weiterentwickelt

Das Wiener Startup sonnnig baut eine White-Label-Lösung zur Verwaltung von Energiegemeinschaften. Nach dem Erfolg bei Privatabnehmer:innen will das zwei Jahre alte Unternehmen nun Energieversorgern unter die Arme greifen. Mit einer neuen aws-Seedfinancing-Förderung im Rücken sucht das Team Partnerunternehmen.
/artikel/sonnnig-wie-das-energy-sharing-startup-seine-endkundinnen-plattform-fuer-energieversorger-weiterentwickelt
Das sonnnig-Gründerteam: Roman Öfferlbauer, Jonathan Buchinger und Lukas Hückel © sonnnig

Dort, wo Technik und Unternehmertum zusammenkommen, kann Großes entstehen. So auch an der TU Wien im „Extended Study on Innovation“-Programm, wo sich das Gründer-Trio, bestehend aus Roman Öfferlbauer, Lukas Hückel und Jonathan Buchinger, zum ersten Mal begegnete. Parallel dazu gründete Öfferlbauer 2023 in seinem Heimatort in Niederösterreich eine Energiegemeinschaft, zu einem Zeitpunkt, an dem das Thema noch jung und „technisch schwierig abzuwickeln“ war, so Öfferlbauer.

Aus improvisierten Tools und selbst geschriebenen Mini-Scripts für den Eigenbedarf wurde ein Jahr später sonnnig. Eine White-Label-Lösung für Abrechnung, Mitgliedermanagement und Datenanalyse von mittlerweile 30 Energiegemeinschaften in ganz Österreich.

Wenn Strom aus der Nachbarschaft kommt

„Unser Blick war eigentlich immer auf Endverbraucher und Verbraucherinnen fokussiert. Also Privatpersonen, Unternehmen, Gemeinden“, erklärt Öfferlbauer im Interview. Eine Mission, die über die letzten zwei Jahre tausende Haushalte in ganz Österreich erreicht hat. Mittlerweile kann man über sonnnig den generierten Strom auch als Mitarbeiter:innen-Benefit oder Spende abgeben. „Im letzten halben Jahr hat sich da aber auch ziemlich viel auf der anderen Seite, also bei den Energieversorgungsunternehmen, getan“, verrät der Co-Founder.

Energieversorgungsunternehmen stünden zunehmend vor einem Einkaufs- und Prognoseproblem. In der Regel verbraucht die Kundschaft ihren Strom nach einem Standardprofil, mit dem der jeweilige Versorger seine Stromeinkäufe prognostiziert. Sind die Abnehmer:innen aber Teil einer Energiegemeinschaft, verschiebt sich dieses Profil radikal: Ein großer Teil des Energiebedarfs wird jetzt von der Energiegemeinschaft gedeckt und nur noch die Restmengen werden durch den Energieversorger geliefert. „Der Energieversorger hat die Energiemenge aber schon im Vorhinein eingekauft“ – und müsse sie kurzfristig wieder verkaufen, erklärt Öfferlbauer. Ein teures Ausgleichsenergie-Problem, das mit wachsendem Energy-Sharing-Anteil immer größer wird.

Sonnnig als potenzieller Partner für Energieversorger

Genau hier setzt das neue Produkt an, für das sonnnig gerade die dritte Förderung der Austria Wirtschaftsservice (aws) erhalten hat: eine White-Label-Lösung zum Energy Sharing, die Energieversorger direkt in ihr eigenes Kund:innenportal einbinden können. Im Hintergrund liefert sonnnig die Restlastprognose auf 15-Minuten-Basis, damit Versorger gezielter am Großhandel einkaufen können.

Möglich macht das die Prognosefähigkeit, die sonnnig über Jahre mit echten Energiegemeinschaften aufgebaut hat. Ziel ist es, Versorgern einen besseren Einblick in ihre Stromverläufe zu geben und ihnen zu helfen, selbst ein Geschäftsmodell rund um Energy Sharing aufzubauen, auch als Beitrag zur Kund:innenbindung, erklärt Öfferlbauer. Am Markt kommt das gut an: „Energieversorgungsunternehmen spüren das Problem und sind zunehmend auf der Suche nach Lösungen und neuen Geschäftsmodellen im Energy-Sharing-Bereich, deshalb reden sie auf einmal mit uns“, sagt der Co-Founder. Davor sei die Beziehung eher einseitig gewesen. Zwei Pilotbetriebe hat sonnnig für das geförderte Projekt bereits akquiriert und zeigt sich offen für weitere Kooperationen.

Von First bis Seed: Der aws-Weg

Möglich wurde diese Entwicklung durch drei aufeinanderfolgende aws-Förderungen. Mit aws First Incubator, einem Programm für sehr junge Teams, teils noch vor der Firmengründung, kam das Startup zu ersten Beratungsleistungen und Mentoring. Mit aws Preseed – Innovative Solutions wurde zunächst die inhaltliche und wirtschaftliche Machbarkeit des Vorhabens überprüft und der Proof of Concept entwickelt. Darauf aufbauend unterstützt aws Seedfinancing – Innovative Solutions die Weiterentwicklung bis zum Markteintritt sowie die ersten Skalierungsschritte. In diesem Rahmen werden nun der Aufbau und der Launch des neuen B2B-Produkts finanziert.

Erwarteter Boom durch neues Elektrizitätswirtschaftsgesetz

Als besondere Meilensteine nennt Öfferlbauer Referenzprojekte mit bekannten Unternehmen wie Hartl Haus, der Nationalbank-Tochter IG Immobilien oder der Volkshilfe Wien sowie die wiederholte Verdopplung des Jahresumsatzes. Im ersten Halbjahr 2026 hat sich die geteilte Energiemenge, die über sonnnig abgewickelt wurde, laut eigenen Angaben gegenüber dem Vorjahr mehr als verdoppelt. Investor:innen hat das fünfköpfige Team bislang bewusst keine an Bord geholt, da laufende Umsätze und eine halbe Million Euro an lukrierten Entwicklungsförderungen das Team organisch tragen.

Rückenwind kommt bald auch auf politischer Ebene: Im Oktober tritt das neue Elektrizitätswirtschaftsgesetz (ElWG) in Kraft, das Energy Sharing über bilaterale Peer-to-Peer-Verträge statt über eine juristische dritte Instanz wie einen Verein oder eine GmbH erlaubt. Für sonnnig eine freudige Entwicklung: „Das baut natürlich extrem viele Hürden ab. Und deswegen erwarten wir auch einen ziemlichen Boom an neuen Mitgliedern und das nehmen auch Energieversorgungsunternehmen wahr.“


Disclaimer: Der Artikel entstand in Kooperation mit der Austria Wirtschaftsservice (aws).

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt.
  • Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können?
  • Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden: Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann.
  • Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).
  • Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern.