Entwicklung einer KI-gestützten Prognosetechnologie für die optimierte Absatzplanung unter Berücksichtigung ökonometrischer, unstrukturierter und multimodaler Massendaten

In Branchen mit Produkten hoher technischer Komplexität wie zum Beispiel der Automobilindustrie einschließlich Nutzfahrzeug- und Landmaschinenbau oder dem Maschinen- und Anlagenbau sind die Zuliefernetzwerke zunehmend weltumspannend und oftmals hochvolatil. Als Grundlage für die Materialbedarfsplanung können aufgrund der erforderlichen oftmals kurzen Planungsfristigkeit nicht konkrete Kundenaufträge verwendet werden, sondern es ist eine entsprechende prognosebasierte Marktbedarfsplanung erforderlich. Dementsprechend kommt Prognoseverfahren eine zentrale Bedeutung zu. Vorhabensziel ist die Weiterentwicklung des Anwendungsbereichs multimodaler Lernmethoden für große Datenmengen (Big Data), die zum einen aus unternehmensinternen Zeitreihen und Transaktionsdaten bestehen und zum anderen Internet-basiertes, dynamisches Wissen hinzuziehen. Zudem soll die softwaretechnische Konzeption und Implementierung einer Datenstruktur entwicklelt werden, die es ermöglicht, Transaktionsdaten und Texte in einem gemeinsamen Feature-Raum integriert zu analysieren.