SAP
SAP ist weltweit führender Anbieter von Anwendungen und KI für Unternehmen. SAP sitzt an der Schnittstelle zwischen Wirtschaft und Technologie, an der Innovationen entwickelt werden, um reale geschäftliche Herausforderungen direkt zu bewältigen und Auswirkungen auf die reale Welt zu erzielen. Das integrierte SAP-Portfolio vereint die Elemente moderner Unternehmen – von der Belegschaft über das Finanzwesen bis hin zu Kunden und Lieferketten – zu einem einheitlichen Partnernetz, das den Fortschritt fördert. Seit über 50 Jahren vertrauen Unternehmen darauf, dass SAP sie durch die Zusammenführung geschäftskritischer Abläufe in Finanzwesen, Beschaffung, Personalwesen, Lieferkette und Customer Experience dabei unterstützt, bestmögliche Ergebnisse zu erzielen. Weitere Informationen finden Sie unter www.sap.com.
SAP und KI
SAP konzentriert sich auf Unternehmens-KI, indem intelligente Funktionen von Anfang an direkt in Unternehmensanwendungen und -prozesse eingebettet werden. Diese Lösungen erfüllen die hohen Standards von SAP in Bezug auf Produktqualität, Ethik, Datenschutz und Sicherheit.
Mit fortschrittlichen Technologien für maschinelles Lernen und Deep Learning erweitert die SAP ihre Cloud-Lösungen, um einen praktischen geschäftlichen Nutzen zu schaffen. Diese Technologie/KI hilft beispielsweise dabei, Rechnungen automatisch mit Zahlungen in CloudERP-SAP-Cash-Anwendungen abzugleichen und die Rechnungsverarbeitung in SAP Concur innerhalb von Spend Management zu optimieren.
SAP & MDSI
Vortragsreihe
Predictive Community x IUC Applied Research Talks
Die Applied Research Talks sind eine Vortragsreihe, in der Experten von SAP und TUM einen Einblick in die laufenden gemeinsamen Projekte der angewandten Forschung und weitere interessante Forschungsthemen geben. Diese Veranstaltungen dienen als Brücke zwischen SAP und TUM und fördern die Zusammenarbeit und den Wissensaustausch in einem interaktiven Rahmen. Jeder Vortrag ist ein Innovationsimpuls, der neue Perspektiven auf neue Technologien und forschungsgetriebene Fortschritte aufzeigt, die die Zukunft von Unternehmenslösungen prägen. Details hier
Projekte
"Synthetische Geschäftsdatengenerierung" mit Prof. Stephan Günnemann
Projekttitel: "Neue Ansätze für Synthetische Geschäftsdatengenerierung"
Für die Forschung braucht man nicht nur klar definierte Problemstellungen, sondern gerade in der KI auch relevante Daten. SAP als führender ERP-Anbieter kann jedoch nicht einfach vertrauliche Kundendaten mit Dritten und Forschern teilen. Öffentliche Datensätze können zwar genutzt werden, sind aber oft nicht repräsentativ für reale Geschäftsdaten. Daher zielt dieses Projekt auf die synthetische Generierung von Geschäftsdaten auf der Basis von SAP-Datenmodellen und Metadaten ab, um sowohl wissenschaftliche Reproduzierbarkeit als auch Geschäftsrelevanz darzustellen.
"Neue Ansätze für Tourenplanung und Fahrzeugrouting" mit Prof. Stefan Minner
Projekttitel: "Neue Ansätze für Tourenplanung und Fahrzeugrouting"
Dies ist ein gemeinsames Forschungsprojekt über die Verwendung von datengesteuerten Ansätzen und Dekompositionsalgorithmen im Zusammenhang mit dem Vehicle Routing Problem (VRP), um die Lösung von größeren und komplexeren realen Problemen zu ermöglichen. Um den Wissensstand im Bereich der KI und der fortgeschrittenen Optimierung voranzutreiben, müssen mehrere spezifische Fragen geklärt werden. Zum Beispiel, wie werden die Cluster bei der Aggregation und Aufteilung in Sub-Cluster bewertet und wie kann die Benutzerakzeptanz von datengesteuerten und KI-basierten Ansätzen verbessert werden.
"Probabilistische Planung für widerstandsfähige Lieferketten" mit Prof. Martin Grunow
Projekttitel: "Neue Ansätze für stochastische / reichweitenbasierte Planung und Simulation für belastbare Lieferketten"
Dieses Projekt befasst sich mit der Planung und Gestaltung von Lieferketten, wobei der Schwerpunkt auf fortgeschrittenen Ansätzen für stochastische und bereichsbasierte Planung und Simulation zur Unterstützung widerstandsfähiger Lieferketten liegt. Zu den Schlüsselfragen gehören die Erhöhung der Robustheit durch stochastische Methoden und das Gewinnen von Einsichten in probabilistische Planungsstrategien für widerstandsfähige Lieferketten.
"KI in der Produktionsplanung" mit Prof. Martin Grunow
Projekttitel: "KI für Produktions- und Feinplanung"
Diese Forschung untersucht die Produktionsplanung und Feinplanung in stochastischen Umgebungen. Die Hauptziele sind der Einsatz von maschinellem Lernen (ML) zur Identifizierung geeigneter Ansätze für die Produktionsplanung unter Unsicherheit, die Entwicklung von Frameworks für die Integration von Online-Entscheidungsfindung und -Planung, das Benchmarking neuartiger ML-Ansätze mit klassischen Methoden, die Anpassung von Methoden an spezifische Produktionseinstellungen und die Integration der Online-Entscheidungsfindung in Feinplanungsprozesse.
"Erstellung semantischer Modelle für die Process Mining Pipeline" mit Prof. Stefanie Rinderle-Ma
Projekttitel: "Aufbau semantischer Modelle für die Process Mining Pipeline"
Dieses Projekt untersucht Process Mining als eine Methode zur Abfrage von Prozessdaten aus Ereignisprotokollen, um Geschäftsprozesse zu verbessern. Es zielt darauf ab, den menschlichen Aufwand für die Erstellung von Analysen zu reduzieren und semantische Modelle für Process Mining Recommender Systeme zu entwickeln. Die zentrale Frage ist, ob Expertenwissen, das für die Erstellung von Analysen verwendet wird, effektiv erzeugt, genutzt und skaliert werden kann. Eine zentrale Herausforderung liegt in der Integration menschlicher und maschineller Anstrengungen, um Process-Mining-Analysen organisationsübergreifend wiederverwendbar zu machen.
"Enterprise Data Science und KI" mit Prof. Florian Matthes
Projekttitel: "Anwendungen der Texterzeugung durch semi-überwachtes Lernen und andere State-of-the-Art-Ansätze des maschinellen Lernens"
Dieses Projekt erforscht die Anwendung von Semi-Supervised Learning Frameworks in der Texterzeugung unter Verwendung von Deep Learning Modellen. Zu den Forschungsfragen gehören die automatische Kennzeichnung von Daten, die aus Chatbot-Interaktionen generiert werden, die Integration von Benutzer-Feedback zur Verbesserung der Chatbot-Lernerfahrungen und die Verbesserung von Chatbot-Reaktionen bei begrenzten Trainingsdaten. Das Projekt evaluiert modernste Methoden des halbüberwachten Lernens und der Verarbeitung natürlicher Sprache, einschließlich der Verwendung von LLMs und der Optimierung von GenAI-Architekturen, zum Beispiel durch Retrieval Augmented Generation (RAG), für verschiedene Anwendungen und Anwendungsfälle.