# Schwerpunkte (für die Zukunft)

## DAQ

### Ist-Zustand

Menschen basteln sich LabView-Programme, die nicht von jedem benutzt werden können. Daten liegen in unterschiedlichster Form irgendwie irgendwo rum. Metadaten und Labels fehlen oft.

### Ziel: Datenqualität und automatische Weiterverarbeitbarkeit

Vorgehen zur Datenerfassung in unserer Gruppe standardisiert. Es gibt interne Richtlinien über erfasste Daten und Messprotokolle.

### Kompetenzen

- Messtechnik: (Markus / Jonas) > Tim, Lukas
- Sensorik: Lukas
- Nachvernetzung
- Strukturierte Daten
- Unstrukturierte Daten?
- Event processing?
- Sensor networks: ~
- Protokolle
- MQTT
- OPC UA
- Real-time?
- Data streams?
- Mulitmodality?

### nächste Schritte

- KME Antragsidee weiter verfolgen
- Fräse in Schweinfurt vernetzen
- Dateninfrastruktur aufbauen (wie? welche?)
- NI-Geräte mit Python auswerten
- Herausfinden, welche weitere Kompetenzen wir brauchen
- Kompetenzen mit Apache Hadoop?

## Data Science

### Ist-Zustand
- Jeder bastelt an eigenen Lösungen in verschiedenen Projekten.
- Keine klare Ausrichtung oder Forschungsschwerpunkte der Gruppe.
- ML ist oft das Schlagwort, tatsächlich wird viel Data Science bzw. Aufbereitung und Analysen umgesetzt.

### Soll-Zustand
- Konkrete Forschungsschwerpunkt und Industrieprodukte
- Dokumentation: Data Science Projekte weiter in GitLab pflegen

### Vorgehend zur datengetriebenen Prozessoptimierung als übergeordnetes Ziel
- anknüpfend an DAQ: Schaffen wertvoller und verwertbarer Daten; Anreicherung der Daten
- Domänenwissen mit reinen Daten verknüpfen
- Daten Annotierung/Labelgenerierung
- Daten-aufbereitung
- Data Augmentation
- Datenanalyse
- Statistik
- Data Analytics
- ML
- Bereitstellung/Visualisierung
- Dashboards

### nächste Schritte
-
-

## KI

### Ist-Zustand

- bedarfsorientierte Nutzung bestimmter Werkzeuge
- eher problemorientierte Herangehensweise
- tieferes Verständnis zu den Hintergründen fehlt

### Kompetenzen

- Basic ML-Wissen bei allen vorhanden
- tlw. Computer Vision (André, Markus)

### Ziel / Nächste Schritte

- Stufen definieren zu Wissen/Fähigkeiten im Bereich KI
- jeder soll sich selbst einstufen
- welche Stufe wollen die einzelnen Teammitglieder erreichen?
- welche Schulungen brauche ich um dahin zu kommen?
- mehr Wissen / tieferes Verständnis aufbauen
- Experten für bestimmte Themenbereiche
- konkrete Forschungsfelder definieren:
- XAI / Explainable AI
- Computer Vision
- Transfer Learning