„SECAI ist eine Blaupause für innovative, KI-gestützte Wertschöpfungssysteme, die wirtschaftlichen und gesellschaftlichen Mehrwert schaffen.“ 

Ihr Forschungsbereich hat bereits Erfahrungen mit Assistenzsystemen in Logistik und technischer Wartung gesammelt. Welche Herausforderungen und Parallelen sehen Sie zwischen diesen Anwendungen und der Entwicklung von KI-gestützten Heizungssteuerungen für Privatwohnungen? 

In den Domänen Logistik und technischer Wartung haben wir bereits gesehen, wie durch Digitalisierung immer größere Datenmengen zur Verfügung stehen. Unternehmen können diese Daten nutzen, um ihre Geschäftsmodelle zu optimieren und sich Wettbewerbsvorteile zu sichern. Eine ähnliche Entwicklung beobachten wir nun in der Wohnungswirtschaft: Durch die zunehmende Vernetzung von Sensoren und digitalen Geräten entstehen neue Potenziale für intelligente, datenbasierte Steuerungssysteme – etwa zur Optimierung des Heizens in Mehrfamilienhäusern.

Gleichzeitig wird hier der Schutz sensibler Daten zur zentralen Herausforderung. Die eigene Wohnung ist ein besonders privater Raum, und entsprechend hoch sind die Anforderungen an Datenschutz und Nutzerakzeptanz. In SECAI setzen wir deshalb auf einen Federated-Learning-Ansatz, bei dem keine Rohdaten zentral gespeichert werden müssen. Stattdessen erfolgt das Training der KI-Modelle dezentral auf verschiedenen Ebenen – von einzelnen Sensoren bis hin zu gesamten Gebäudekomplexen. So können wir intelligente Heizsysteme entwickeln, die effizient und nachhaltig arbeiten, ohne die Privatsphäre der Bewohnerinnen und Bewohner zu gefährden. 

SECAI kombiniert Ansätze der Wirtschaftsinformatik mit Künstlicher Intelligenz, um die Heizungssteuerung in Bestandsgebäuden zu optimieren. Wie fügt sich dieses Projekt in Ihre Forschungsstrategie des Smart Enterprise Engineering ein, und welche übertragbaren Erkenntnisse für digitale Geschäftsmodelle erwarten Sie daraus? 

Mit SECAI setzen wir unsere langjährige Forschung im Bereich Smart Living fort. Durch Projekte wie ForeSight und COMEThaben wir bereits umfassende Erfahrungen mit datenbasierten Systemen im Smart-Living-Sektor gesammelt und zentrale Mechanismen für digitale Ökosysteme entwickelt. Die Branche bietet enormes, teils noch ungenutztes Potenzial, insbesondere wenn es um die intelligente Verknüpfung von Daten und Geschäftsmodellen geht. In SECAI verfolgen wir genau diesen Ansatz: Wir nutzen Methoden aus der Wirtschaftsinformatik in Kombination mit Künstlicher Intelligenz, um ein datengetriebenes Geschäftsmodell im Bereich der Heizungssteuerung zu entwickeln. Unser Forschungsbereich Smart Enterprise Engineering verfolgt eine Cross-Innovations-Strategie. Das bedeutet, dass wir erfolgreiche digitale Lösungen aus einer Domäne auf andere Bereiche übertragen. Die Methoden und Erkenntnisse aus SECAI sind daher nicht nur für das Heizen in Bestandsgebäuden relevant, sondern auch für viele weitere Bereiche – überall dort, wo man mit sensiblen Daten arbeitet. Wir sehen SECAI als Blaupause für innovative, KI-gestützte Wertschöpfungssysteme, die sowohl wirtschaftlichen als auch gesellschaftlichen Mehrwert schaffen.

Ein zentrales technisches Merkmal von SECAI ist der hybride Einsatz von Edge- und Cloud-Technologien. Inwiefern sehen Sie dieses Zusammenspiel als Modell für zukünftige datengetriebene Wertschöpfungsmechanismen – auch über den Smart-Living-Sektor hinaus? 

Der hybride Edge-Cloud-Ansatz ist ein wesentlicher Bestandteil eines übergreifenden Wertschöpfungssystems und zeigt, wie moderne Technologien zur Schaffung effizienter und datenschutzkonformer Lösungen beitragen können. Ein zentrales Element ist unser Federated-Learning-Ansatz: Anstatt sensible Daten zentral zu sammeln, werden KI-Modelle direkt auf den Edge-Geräten, also in den Wohnungen der Mietenden, trainiert. Nur die aggregierten Modelle werden anschließend in der Cloud zusammengeführt. Dadurch bleibt die Datenhoheit bei den Nutzenden, während gleichzeitig hochpräzise, intelligente Steuerungssysteme entstehen. 

Dieses Prinzip ist nicht nur im Smart-Living-Sektor von Bedeutung. Überall dort, wo Unternehmen nicht über ausreichend eigene Daten verfügen, aber aus Datenschutz- oder Wettbewerbsgründen keine Rohdaten teilen können, eröffnet dieser Ansatz völlig neue Möglichkeiten. Beispiele sind Banken, die gemeinsam ein System zur Kreditvergabe trainieren wollen, ohne Kundendaten offenzulegen, oder Krankenhäuser, die KI-Modelle zur Tumorerkennung entwickeln, ohne Patientendaten auszutauschen. 

Federated Learning in einem Edge-Cloud-Umfeld ist damit eine interessante Technologie für die nächste Generation datengetriebener Geschäftsmodelle – und nicht nur gebunden an die Smart Living Domäne. SECAI zeigt eindrucksvoll, wie sich dieser Ansatz praktisch umsetzen lässt und gleichzeitig Datenschutz, Effizienz und Innovationskraft vereint. 

Die Digitalisierung betrieblicher Prozesse und Geschäftsmodelle basiert zunehmend auf intelligenten, dezentralen Datenverarbeitungssystemen. Wie lassen sich aus Ihrer Sicht wirtschaftliche Potenziale erschließen, ohne dabei das Vertrauen der Nutzenden – etwa im Hinblick auf Datenschutz und Datensouveränität – zu gefährden?

Das Vertrauen der Nutzenden ist entscheidend für den Erfolg digitaler Geschäftsmodelle, besonders bei dezentralen Datenverarbeitungssystemen. In SECAI setzen wir auf transparente Kommunikation und garantieren, dass sensible Daten nicht zentral gespeichert oder weitergegeben werden. Stattdessen bleiben sie in den Wohnungen der Mietenden, und nur anonymisierte, aggregierte Modelle werden weiterverarbeitet. Durch den Einsatz von Federated Learning stellen wir sicher, dass KI-Modelle lernen, ohne persönliche Daten preiszugeben, wodurch sowohl Datenschutz als auch die Performanz der Modelle und das damit verbundene wirtschaftliche Potenzial gewahrt bleiben. 

Für die Akzeptanz von Smart-Living-Angeboten ist es wichtig, echten Mehrwert zu bieten – in unserem Fall vor allem niedrigere Energiekosten für Endnutzer. Mit KI-gesteuertem Heizungsmanagement senken wir Betriebskosten und fördern effizientere Nutzungsmuster. Gleichzeitig ist der verantwortungsvolle Umgang mit sensiblen Daten essenziell, um Diskriminierung zu vermeiden und die Privatsphäre zu wahren. Nur durch diese ethische Herangehensweise kann Vertrauen geschaffen und der langfristige Erfolg solcher digitalen Geschäftsmodelle gesichert werden. 

SECAI verfolgt einen interdisziplinären Ansatz zwischen KI und Energiemanagement. Sehen Sie darin eine Blaupause für die Digitalisierung der Geschäftsprozesse in der Wohnungswirtschaft? Lassen sich die Methoden und Technologien auf andere Unternehmensbereiche oder Branchen übertragen?

Ja, der interdisziplinäre Ansatz von SECAI, der Künstliche Intelligenz mit Energiemanagement kombiniert, stellt eine vielversprechende Blaupause für die Digitalisierung der Geschäftsprozesse in der Wohnungswirtschaft dar. Durch den Einsatz von KI können wir im Energiemanagement präzisere Prognosen und Optimierungen vornehmen, die den Energieverbrauch in Bestandsgebäuden deutlich effizienter gestalten. In SECAI beispielsweise wird KI dazu verwendet, Heizungssteuerungen in Echtzeit anzupassen, um den Energieverbrauch zu minimieren und gleichzeitig den Komfort für die Bewohner zu gewährleisten. Diese Echtzeit-Optimierung ist ein wesentliches Merkmal der KI-gestützten Steuerung von Energiesystemen. 

Dieses Zusammenspiel lässt sich auch auf andere Branchen übertragen. Im Bereich der Industrie etwa könnte eine ähnliche KI-basierte Steuerung helfen, die Energienutzung in Fertigungsprozessen zu optimieren, während gleichzeitig die Produktionskosten gesenkt werden. Auch im Smart-Grid-Umfeld, wo KI genutzt wird, um den Energiefluss zwischen verschiedenen Gebäuden und Netzen in Echtzeit zu optimieren, können vergleichbare Techniken angewendet werden. Hier wird KI zur intelligenten Lastverteilung eingesetzt, um das gesamte Netz effizienter zu steuern und gleichzeitig Ressourcen zu schonen. 

Zusammengefasst ist das Zusammenspiel von KI und Energiemanagement nicht nur ein innovativer Schritt in der Wohnungswirtschaft, sondern bietet auch Potenziale, die über den Sektor hinaus eine breitere Anwendung finden können.