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:
05.11.2026

Die EV Group (EVG) aus Oberösterreich erhält den Staatspreis Innovation 2026

Die oberösterreichische EV Group erhält den Staatspreis Innovation 2026 für eine Technologie zur Weiterentwicklung der Mikrochipfertigung. Bei der Preisverleihung am 4. November wurden zudem weitere heimische Unternehmen für Innovationen in den Bereichen KI, Halbleiter, Energie und Nachhaltigkeit ausgezeichnet.
/artikel/die-ev-group-evg-aus-oberoesterreich-erhaelt-den-staatspreis-innovation-2026
05.11.2026

Die EV Group (EVG) aus Oberösterreich erhält den Staatspreis Innovation 2026

Die oberösterreichische EV Group erhält den Staatspreis Innovation 2026 für eine Technologie zur Weiterentwicklung der Mikrochipfertigung. Bei der Preisverleihung am 4. November wurden zudem weitere heimische Unternehmen für Innovationen in den Bereichen KI, Halbleiter, Energie und Nachhaltigkeit ausgezeichnet.
/artikel/die-ev-group-evg-aus-oberoesterreich-erhaelt-den-staatspreis-innovation-2026
Staatspreis Innovation 2026
© Austria Wirtschaftsservice GmbH/APA-Fotoservice/Martin Lusser.

Am 4. November verlieh Staatssekretärin für Energie, Startups und Tourismus Elisabeth Zehetner den Staatspreis Innovation 2026 an die EV Group (EVG) aus Oberösterreich für das Projekt „IR LayerRelease – Technologie revolutioniert Mikrochip-Skalierung“. Der Staatspreis Innovation wird im Auftrag des Bundesministeriums für Wirtschaft, Energie und Tourismus (BMWET) von der Austria Wirtschaftsservice GmbH (aws) organisiert und wurde in diesem Jahr bereits zum 46. Mal vergeben.

„Nanometergenaues Trennen und Transferieren von Siliziumschichten“

„Österreich verfügt über hervorragende Forschung, kluge Köpfe und Unternehmen, die sich mit ihren Ideen weltweit behaupten. Unser Anspruch ist, aus dieser Stärke noch mehr erfolgreiche Produkte, Wertschöpfung und hochwertige Arbeitsplätze im Land entstehen zu lassen. EV Group zeigt eindrucksvoll, wie das gelingt: Mit seiner Technologie gestaltet das Unternehmen aus Oberösterreich die Zukunft der Mikrochipindustrie mit. Als Wirtschaftsministerium wollen wir die Voraussetzungen dafür schaffen, dass noch mehr Unternehmen diesen Weg gehen können – von der Forschung bis zum internationalen Markterfolg“, sagt Zehetner.

Das prämierte Projekt der EVG soll das nanometergenaue Trennen und Transferieren dünnster Siliziumschichten mit elektronischen Schaltkreisen ermöglichen – ohne thermische Belastung empfindlicher Strukturen. Die Technologie erweitere zentrale Prozesse der Halbleiterfertigung und schaffe neue Möglichkeiten für 3D-Integration und Chip-Stapelung. Dadurch würden leistungsfähigere und energieeffizientere Mikrochips für Anwendungen wie KI und High-Performance Computing realisierbar, heißt es.

Weitere Nominierungen für den Staatspreis Innovation 2026

Neben der EV Group (EVG) wurden fünf weitere österreichische Unternehmen nominiert. Die Kärntner Anexia Holding GmbH entwickelte eine Open-Source-basierte Virtualisierungsplattform, die einen raschen Wechsel von proprietären Systemen ohne Betriebsunterbrechung ermögliche und auf digitale Souveränität abziele. AT & S aus der Steiermark wurde für Halbleiter nominiert, die direkt in Leiterplatten integriert werden und so eine kompakte, effiziente Stromversorgung für Hochleistungsprozessoren in KI-Rechenzentren ermöglichen sollen.

Brantner green solution aus Niederösterreich präsentierte eine Anlage, die „erstmals hochreines Glas aus Müllverbrennungsrückständen zurückgewinnt und wieder als Rohstoff nutzbar macht“. Infineon Technologies Austria, ebenfalls aus Kärnten, wurde für eine Technologieplattform nominiert, die Entwicklung und industrielle Fertigung für praxistaugliche Quantencomputer verbindet. Und das Wiener Unternehmen VRVis GmbH stellt mit „scenarify“ eine webbasierte 3D-Simulation vor, die schnelle und realitätsnahe Analysen von Hochwasser- und Starkregenereignissen möglich macht.

Sonderpreis Econovius

Im Rahmen des Staatspreises Innovation wurde von der Wirtschaftskammer Österreich (WKÖ) der Sonderpreis Econovius an Farm-ING Smart Farm Equipment FlexCo verliehen. Statt flächendeckender Ausbringung erkennt das System der Horner Firma (NÖ.) Unkräuter in Echtzeit und behandelt gezielt nur die betroffenen Pflanzen. Kamerasensorik, KI und präzise gesteuerte Düsen reduzieren eigenen Angaben zufolge den Einsatz von Pflanzenschutzmitteln um bis zu 95 Prozent.

„Die heute nominierten und ausgezeichneten Unternehmen stehen stellvertretend für die Innovationskraft unseres Standorts. Sie zeigen, wie aus Ideen durch Know-how, Unternehmergeist sowie Forschung und Entwicklung marktfähige Lösungen entstehen, die Wertschöpfung schaffen und Österreich im internationalen Wettbewerb stärken“, sagt WKÖ-Vizepräsidentin Bettina Dorfer-Pauschenwein. „Solche Erfolgsgeschichten machen Mut und verdeutlichen, welches Potenzial in unserer Wirtschaft steckt. Als Wirtschaftskammer und Partnerin der Unternehmen setzen wir uns auch weiterhin dafür ein, dass Innovationen die bestmöglichen Rahmenbedingungen vorfinden.“

Für den Econovius waren außerdem zwei weitere Unternehmen nominiert: die Augmenterra aus Salzburg mit der „Motion Intelligence Platform (Augmenterra Observer)“ sowie die Genspeed Biotech aus Oberösterreich, die an einer schnellen und präzisen Diagnostik von Infektionen nach Gelenksimplantationen arbeitet.

VERENA-Preis

Den diesjährigen Sonderpreis VERENA (VERBUND E-Novation Award) erhielt die Ecolyte GmbH in Kooperation mit der Technischen Universität Graz mit dem Projekt „VanillaFlow and beyond“.

Im Rahmen dessen entwickelt das Grazer Unternehmen mithilfe Künstlicher Intelligenz neuartige Moleküle und papierbasierte Membranen für Redox-Flow-Batterien. Die Kombination aus intelligentem Moleküldesign und nachhaltigen Materialien soll kostengünstige, recycelbare und biologisch abbaubare Energiespeicher für eine erneuerbare Energieversorgung ermöglichen.

Mit dem von VERBUND gestifteten Sonderpreis werden Unternehmen ausgezeichnet, die in den Bereichen Elektrizitäts- und Energiesysteme, Energieeffizienz/-management, erneuerbare Energien und E-Mobilität innovative Projekte mit Universitäten, Fachhochschulen oder außeruniversitären Forschungseinrichtungen umgesetzt haben.

„Ecolyte denkt Energiespeicherung neu und zeigt, wie Künstliche Intelligenz die Entwicklung nachhaltiger Energietechnologien beschleunigen kann“, sagt Franz Zöchbauer, Managing Director VERBUND X. „Die Kombination aus intelligentem Moleküldesign und biologisch abbaubaren Materialien eröffnet neue Wege für leistungsfähige und gleichzeitig ressourcenschonende Speicherlösungen. Damit leistet das Projekt einen wichtigen Beitrag zur Integration erneuerbarer Energien und zur Transformation unseres Energiesystems.“

Weitere Nominierte

Für den Sonderpreis VERENA waren außerdem zwei Kooperationsprojekte nominiert: Die Gebauer & Griller Kabelwerke aus Niederösterreich entwickelten gemeinsam mit der TU Wien mit „Power2Flow“ ein flüssigkeitsgekühltes Hochleistungs-Ladesystem für Megawatt Charging. Die Salzburger Meshmakers wiederum stellten gemeinsam mit der FH Salzburg „OctoMesh“ vor, eine souveräne Dateninfrastruktur für KI in der Energiewende.

„Österreich wird nie ein Niedriglohnland sein. Unser Erfolg im internationalen Wettbewerb beruht auf Qualität, Innovation und technologischem Vorsprung. Wie stark wir darin sind, zeigen die EV Group und die weiteren ausgezeichneten Unternehmen. Sie machen ‚Made in Austria‘ weltweit zu einem Qualitätsversprechen. Mit unserer Industriestrategie bauen wir diese Stärken gezielt aus und setzen auf Schlüsseltechnologien wie die Halbleitertechnik. So schaffen wir die Grundlage für Wachstum, Arbeitsplätze und Wohlstand. Ich gratuliere allen ausgezeichneten Unternehmen herzlich zu ihren herausragenden Leistungen“, sagt Wirtschaftsminister Wolfgang Hattmannsdorfer.

Und Ilinka Kajgana, Risikovorständin Erste Bank Österreich (Partner beim Staatspreis Innovation 2026) ergänzt: „Innovation ist Österreichs wichtigste Zukunftsressource. Sie entsteht dort, wo Wissenschaft, Unternehmertum und ein fruchtbares wirtschaftliches Umfeld zusammenkommen. Um ihre größte Kraft entfalten zu können, müssen technologische Fortschritte dem Menschen dienen und echten gesellschaftlichen Nutzen stiften.“

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.