Laufende Projekte

Sustainability-aware Event Data Engineering for Global Logistics
(In Zusammenarbeit mit der Professur Big Geospatial Data Management​​​​​​​, HDSC Oktober 2026 - September 2029)

Dieses Tandem-Projekt entwickelt den ersten ganzheitlichen Rahmen für ein nachhaltigkeitsorientiertes Event Data Engineering, um den ökologischen Fußabdruck globaler Logistikprozesse zu messen und zu optimieren. Durch die Bündelung der Expertise der Data-Science-Zentren der TUM in Heilbronn (HDSC) und München (MDSI) integrieren wir ERP-Ereignisprotokolle mit IoT-, Geodaten- und Umweltdaten. Dadurch ermöglichen wir leistungsfähige, prädiktive Prozessanalysen, die eine datengetriebene und nachhaltige Gestaltung logistischer Prozesse unterstützen.

Ansprechpartner: Andrea Maldonado Hernandez 

Gestaltung und Steuerung der Business Capabilities im digitalen Wandel
(In Zusammenarbeit mit der Schwarz Corporate Solutions KG, Industrieprojekt, August 2026 - Februar 2027)

Im gemeinsamen Projekt mit SCOS wird ein wissenschaftlich fundierter Ansatz zur strategischen Steuerung von Business Capabilities entwickelt und praxisnah validiert. Im Fokus stehen die Bewertung und Priorisierung von Capabilities, die Entwicklung eines KPI-Systems zur Messung ihrer Resilienz sowie die Analyse bestehender Datenquellen und Datenlücken. Die Ergebnisse werden in einem prototypischen Dashboard-Konzept zusammengeführt, das eine datenbasierte und transparente Entscheidungsunterstützung für das Business Capability Management ermöglicht. 

Ansprechpartner: Angelo Mangione

Automotive Initiative+ – Anwendung von Kausaler KI und Think Tank
(In Zusammenarbeit mit Audi und dem Fraunhofer Institute für Industrial Engineering, Industrieprojekt, April 2026 - Dezember 2026)

Im AI+ werden innovative digitale Technologien für die Produktion und Logistik systematisch untersucht, weiterentwickelt und in konkreten Anwendungsszenarien erprobt. Ein Schwerpunkt liegt auf dem Einsatz kausaler Künstlicher Intelligenz im Presswerk und Prüfzentrum, um Ursache-Wirkungs-Zusammenhänge in Produktionsdaten besser zu verstehen, Fehlerursachen gezielt zu identifizieren und robuste, erklärbare Entscheidungsgrundlagen für Prozessverbesserungen zu schaffen. Ergänzend wird ein Think Tank etabliert, der neue technologische Entwicklungen frühzeitig hinsichtlich ihres Potenzials für Produktion und Logistik bewertet und besonders vielversprechende – auch disruptive „Moonshot“-Ansätze – gemeinsam mit relevanten Unternehmensbereichen konzeptionell ausarbeitet. Ziel ist es, neue Technologien gezielt für eine resilientere, agilere und effizientere Produktion nutzbar zu machen.

Ansprechpartner: Ana Costa

Aufbau eines domänenspezifischen Wissensgraphen zur Integration und Harmonisierung von Datenpunkten in Produktionssystemen
(In Zusammenarbeit mit Audi, Industrieprojekt, Dezember 2026 - November 2029)

Im gemeinsamen Projekt mit Audi wird ein unternehmensweiter Wissensgraph konzipiert, um verteilte und heterogene Datenbestände über System- und Fachbereichsgrenzen hinweg besser zu integrieren und nutzbar zu machen. Im Fokus stehen die Entwicklung einer gemeinsamen Ontologie, verbindlicher Leitlinien zur Erweiterung durch Fachbereiche sowie eines Architekturkonzepts für die Anbindung bestehender Quellsysteme. Dadurch sollen Zusammenhänge zwischen Daten, Systemen und Prozessen transparenter werden, Redundanzen reduziert und eine konsistente Informationsbasis geschaffen werden. Die entwickelten Konzepte werden anhand konkreter Anwendungsfälle erprobt und insbesondere im Hinblick auf ihre Eignung als Grundlage für daten- und KI-basierte Anwendungen validiert.

Ansprechpartner: Leon Bein

Abgeschlossene Projekte

Conformance Checking für regulatorische Dokumente (CheR)
(in Kollaboration mit der Universität Mannheim, DFG Sachbeihilfe, August 2023 - März 2026)

Geschäftsprozesse müssen oft Regularien folgen, wie etwa klinischen Richtlinien im Gesundheitswesen, Gesetze und Statuten in der öffentlichen Verwaltung, oder neue Hygieneregeln in vielen verschiedenen Bereichen. Für den Erfolg von Organisationen und für Audits, ist es wichtig zu wissen: Folgen wir den vorgeschriebenen Regularien? Wenn wir abweichen, warum? Müssen wir die Mitarbeiterweiterbildung verbessern? Könnten Regularien angepasst werden, damit sie besser in der Praxis einsetzbar sind?

Das CheR-Projekt kombiniert zum ersten Mal Techniken der Referenzmodellierung und Conformance Checking, um reales Prozessverhalten mit vorgeschriebenen Regularien zu vergleichen. Das Ziel ist, Abweichungen zwischen dieses zu finden und zu visualisieren, um Mitarbeiter*innen gezielt zu schulen, Audits vorzubereiten, oder Verbesserungen für Prozesse oder Regularien vorzuschlagen. Mehrere Aspekte müssen dafür betrachtet werden: (1) die Unterstützung der (semi-)automatisierten Referenzmodellierung, (2) die Extraktion sinnvoller Eventlogs, (3) die Evaluation bestehender Conformance-Checking-Methoden und möglicher Erweiterungen, (4) eine empirische Evaluation, ob und wie CheR das Conformance Checking mit Regularien ermöglicht.

Ansprechpartner: Finn Klessascheck

Automotive Initiative 25 – Process Mining Readiness
(In Kollaboration mit Audi und dem Fraunhofer-Institut für Arbeitswirtschaft und Organisation, Industrieprojekt, April 2025 - Dezember 2026)

Process Mining ist ein datengetriebener Ansatz zur Analyse und Optimierung von Geschäftsprozessen, mit dem die Effizienz, Resilienz und Nachhaltigkeit von Industrien gefördert werden können. Es bedarf jedoch guter Datenqualität und passender Rahmenbedingungen, um Process Mining effektiv einzusetzen. Im Themencluster „Process Mining Readiness“ der Automotive Initiative 2025 leiten wir Voraussetzungen und Anforderungen für den Einsatz von Process Mining bei Audi am Beispiel eines Prozesses aus Produktion und Logistik ab. Ziel ist es, ein initiales Vorgehensmodell und Empfehlungen für die Datenbeschaffung und -nutzung zu entwickeln. Ein besonderes Augenmerk legen wir hierbei auf die Datenverfügbarkeit und -qualität.

Ansprechpartner: Leon Bein, Ana Costa

Discovering, Analysing, and Improving Financial Decision-Making Processes with Process Mining Techniques
(In Kollaboration mit der Universität Adelaide, BayInAn, Juni 2025 - Dezember 2025)

Die Integration fortschrittlicher Technologien, insbesondere künstlicher Intelligenz (KI), in finanzielle Entscheidungsprozesse hat zu erheblichen Verbesserungen bei der Automatisierung geführt. Diese Fortschritte bringen jedoch Herausforderungen mit sich, insbesondere in Bezug auf Transparenz und Interpretierbarkeit. Finanzinstitute stehen zunehmend unter dem Druck, sicherzustellen, dass ihre Entscheidungsprozesse effizient, richtlinienkonform und für Aufsichtsbehörden, Interessengruppen und Kunden transparent bleiben. Da KI-Modelle zunehmend in Bereichen wie der Kreditwürdigkeitsprüfung und der Betrugserkennung eingesetzt werden, ist die Nachfrage nach klaren und verständlichen Erklärungen ihrer Ergebnisse von entscheidender Bedeutung geworden. Aktuelle KI-Methoden funktionieren oft wie „Black Boxes“, was das Vertrauen und die Überprüfungsmöglichkeiten für Interessengruppen einschränkt. Process Mining, ein Bereich der Datenanalyse, bietet Techniken zur Visualisierung und Formalisierung von Arbeitsabläufen auf der Grundlage von Ereignisprotokolldaten. Diese Techniken ermöglichen die Analyse und Optimierung von Geschäftsprozessen, wie z. B. Arbeitsabläufe bei der Kreditvergabe oder Algorithmen zur Kreditbewertung. Durch die Anwendung von Process Mining auf KI-gesteuerte Entscheidungsprozesse können Finanzinstitute verborgene Abhängigkeiten aufdecken, die Transparenz erhöhen und ihre Abläufe neu gestalten. Mit diesem Projekt streben wir eine langfristige Zusammenarbeit zwischen der Technischen Universität München (TUM) und der University of Adelaide, Australien, an. Ziel ist es, erklärbare KI mit Process Mining zu erforschen und 2026 eine Förderung durch den DAAD/DFG zu beantragen. Das BayIntAn-Förderprogramm unterstützt uns dabei, gemeinsam an einer ersten Publikation zu arbeiten und die Beziehung zwischen den Universitäten durch persönliche Treffen weiter zu stärken.

Ansprechpartner: Kerstin Andree