BLACK FOREST HACKATHON

Überprüfung von Supportanfragen mithilfe von KI
Unsere IT bekommt Supportfälle und Anfragen aus der ganzen Unternehmensgruppe. Oft sind diese Supportfälle nicht vollständig genug beschrieben, um diese ohne Rückfragen bearbeiten zu können. Innerhalb der IT sind die Gesamtheit der Services und Anwendungen aufgeteilt in Zuständigkeiten. Wenn ein Supportfall zumindest einer Zuständigkeit zugeordnet werden kann, dann können sie von dort die zur Bearbeitung notwendigen Rückfragen gestellt werden. Ist aufgrund der unvollständigen Beschreibung aber keine Zuständigkeit zuzuordnen, dann entsteht ein „Geisterticket“, dass unter Umständen über Tage intern weitergeleitet wird.
Eine mögliche Lösung wäre ein Service, der eingehende Supportanfragen mittels KI prüft, ob diese für eine Bearbeitung ausreichend beschrieben sind. Falls das nicht der Fall sein sollte, dann geht die Anfrage zurück an den Absender mit Hinweisen, was für eine Bearbeitung zu ergänzen wäre. Eine besondere Herausforderung ist dabei, dass die Anfragen oft nicht nur aus Text sondern auch oft aus Screenshots bestehen.

Optimierung der Problemlösung von Störungen in Produktionsprozesse
In unserer Produktion in Kehl und Oberkirch werden Störungen im Produktionsprozess in einem Excel-Dokument (eins je Störfall) dokumentiert und in einer SharePoint Bibliothek abgelegt (aktuell > 2000 Fälle alleine in Kehl). Es werden zusätzlich verschiedene Metadaten vergeben (Produktionslinie, Anlagenteil, Problemart, Papiersorte, Titel). Bei der Problemlösung suchen Mitarbeiter aufgrund der Metadaten nach ähnlichen Fällen als Inspiration für die Lösung des aktuellen Problems. Man könnte dieses Wissen über ein Large Language Model (LLM) einfacher verfügbar machen. Hierfür werden für den Hackathon-Teilnehmer die Dokumente sowie die dazugehörigen Metadaten zur Verfügung gestellt werden, um ein LLM hiermit zu trainieren und anschließend bei neu auftretenden Problemen Lösungsvorschläge von der KI zu bekommen.
Was würde sich dadurch verbessern? Bei der Suche nach ähnlichen Störfällen und deren Lösungen würden nicht nur die wenigen Metadaten herangezogen werden, die aktuell genutzt werden. Stattdessen würde auch das Wissen, das aktuell in den Dokumenten steckt herangezogen werden. Auch noch interessant: Die bisher für Menschen gemachten Formulare in ein einfacher für KI lesbares Format umzubauen und zukünftig Störfälle und deren Lösung in einem besser maschinenlesbaren Format zu dokumentieren (KI-ready).

Intelligente Sensorauswahl und Konfiguration
Die Auswahl und Initialisierung eines VEGA-Sensors hängt unter anderem von Faktoren wie Materialtyp (Flüssigkeit/ Schüttgut), Sensoreinbauposition und Tankhöhe ab. Um Kunden die Auswahl und Initialisierung eines Sensors zu erleichtern, soll eine Lösung entwickelt werden, bei der ein Bild (oder technische Zeichnung) eines Tanks aufgenommen wird und daraufhin ein passender Sensor mit der passenden Konfiguration empfohlen wird.

Nachkaufoptimierung
Die VEGA Grieshaber KG bietet Kunden eine innovative Lösung zur Überwachung und Prognose ihrer Lagerbestände an, was rechtzeitige Nachbestellungen ermöglicht. Kann der Nachkaufzeitpunkt für Lagerbestände durch aktuelle, individuelle Einspeisung von Preis-, Chargen- und Materialinformationen optimiert werden? Diese optimalen Nachkaufzeitpunkte sollen unter Berücksichtigung des prognostizierten Füllstandes, Preis (-prognosen) aus öffentlichen oder privaten Preisinformationen ermittelt werden. Als besondere Herausforderung ist zu sehen, dass die Daten zwischen verschiedenen Kunden nicht geteilt werden dürfen.

Wartungsdiagnostik von Filteranlagen
Wir von GARANT-Filter sind ein führendes Unternehmen im Bereich der industriellen Luftreinhaltung. Unsere Filteranlagen sind weltweit im Einsatz und müssen regelmäßig gewartet werden, um optimale Leistung und Langlebigkeit zu gewährleisten. Dabei sollen in Zukunft auch die vorausschauende Wartung und die rechtzeitige Erkennung von Problemen eine entscheidende Rolle spielen.
Entwickelt einen Predictive Maintenance-Ansatz, der auf unseren Anlagendaten basiert. Euer Ziel ist es, Muster in den zur Verfügung gestellten Daten zu erkennen und Vorhersagen über notwendige Wartungsmaßnahmen zu treffen. Dies soll dazu beitragen, ungeplante Ausfallzeiten zu minimieren und die Effizienz unserer Systeme zu maximieren.
Am Ende der Challenge sollte ein funktionsfähiger Prototyp oder ein Konzept stehen, das zeigt, wie Predictive Maintenance bei GARANT-Filter implementiert werden kann. Die besten Ansätze haben die Chance, in unsere tatsächlichen Betriebsabläufe integriert zu werden.

Unterstützung für den InStyle Community Manager
Stelle Dir vor du bist ein Community Manager bei InStyle und erstellst täglich auf diversen Social-Media Kanälen wie Youtube, Instagram etc. verschiedene Inhalte und Beiträge. Entsprechend sind für dich die Reaktionen der Nutzer ausschlaggebend, wie gut und erfolgreich diese Inhalte ankommen. Ein übergeordnetes Ziel ist es deine Marke zu stärke, Kooperationen durchzuführen und schlussendlich mehr Reichweite und Relevanz zu generieren. Das bedeutet, dass du in kurzer Zeit vorausgeplante Inhalte auf den verschiedenen Kanälen veröffentlichen und auch moderieren musst. Eine Herausforderung ist es schnell und effizient zu arbeiten. Ein Hilfsmittel kann es dabei sein, wenn du über alle Nutzerreaktionen und Beiträge hinweg eine quantitative aber eben auch qualitative Messung machen kannst, um direkt zu sehen, ob und wie gut der Inhalt performt hat.
Wichtig sind dabei auch die Interaktionen mit dem Nutzer. Es kann also auch helfen, wenn du dir Gedanken machst, wie so eine aktive Moderation, schnell und gezielt erfolgen kann. Das könnten zum Beispiel direkte automatische Antworten sein, Zusammmenfassungen der Stimmungsbilder oder auch Troll-Detection. Was könnte hier außerdem Mehrwert bringen?
Für die Challenge stellen wir Posts und dazugehörige User Kommentare zur Verfügung (unklassifiziert).

Sentimentanalyse von Kundenfeedback
Die Sentimentanalyse von Kundenfeedback befähigt Unternehmen, die Meinungen und Stimmungen ihrer Kunden zu erfassen und zu interpretieren. Dies ist essentiell, um schnell Trends zu erkennen und darauf basierend fundierte Entscheidungen zu treffen, wie Marketing- und Vertriebsstrategien angepasst werden sollten. Generative KI kann hierbei eine wesentliche Rolle spielen, da sie große Textmengen effizient analysieren und die darin enthaltenen Stimmungen identifizieren kann.
Eure Aufgabe ist es, eine Lösung zur Sentimentanalyse von Kundenfeedback zu entwickeln, die auf generativer KI basiert. Ziel ist es, ein System zu schaffen, das automatisch Kundenkommentare beschafft und analysiert, Cluster bildet und Stimmungen erkennt. Die Ergebnisse der Sentimentanalyse sollen in einer benutzerfreundlichen Weise präsentiert werden.

Automatisierte Beschreibung und Verschlagwortung von Mediendateien
In der modernen Geschäftswelt ist die effiziente Verwaltung und Kategorisierung von Mediendateien von entscheidender Bedeutung. Gleichzeitig spielt die Barrierefreiheit von Webseiten eine immer größere Rolle. Eine präzise Beschreibung und Verschlagwortung von Bildern, Videos und Sounddateien sind wesentliche Schritte, um beide Ziele zu erreichen. Diese Maßnahmen erleichtern nicht nur die Suche und Organisation der Dateien, sondern auch den Zugang für Menschen mit Behinderungen.
Eure Aufgabe ist es, ein System zu entwickeln, das Mediendateien automatisch beschreibt und verschlagwortet. Das System sollte in der Lage sein, sowohl manuell eingefügte Dateien als auch über Schnittstellen bereitgestellte Mediendateien zu verarbeiten. Ziel ist es, mithilfe von Künstlicher Intelligenz genaue Beschreibungen und relevante Schlagwörter zu generieren, die den Inhalt der Mediendateien präzise wiedergeben.

Wissen von Mitarbeitenden extrahieren und zugänglich machen
In vielen Unternehmen liegt wertvolles Wissen oft nur in den Köpfen der Mitarbeitenden. Es wird selten ausreichend und nachvollziehbar dokumentiert. Diese Wissensinseln können für andere Mitarbeitende, insbesondere für Neueinsteigende oder Kolleg:innen in anderen Abteilungen, schwer zugänglich sein. Die Nutzung von Large Language Models (LLMs) bietet eine innovative Möglichkeit, dieses Wissen zu extrahieren, zu strukturieren und zugänglich zu machen.
Ziel: Entwickelt eine Lösung, die das implizite Wissen von Mitarbeitern extrahiert, strukturiert und durch LLMs zugänglich macht. Die Lösung soll dabei verschiedene Aspekte der Wissensextraktion und -qualitätssicherung berücksichtigen.

KI Fraud Detection
Im europäischen Handel steigend die sogenannten Inventurdifferenzen. Seit der aktuell laufenden Epoche des Anstieg der Inflationsquote wird auch speziell im Lebensmittelhandel wieder viel mehr Ware geklaut. Dies führt auf Sicht der Rentabilität unsere Märkte von einem Umsatzverlust von bis zu 1% in Relation zu zweistelligen Milliarden EURO Summe aller 6500 EDEKA Märkte.
Das Ziel des KI Einsatz in diesem Themenumfeld, würde die Kamera basierte Erkennung von Bewegungsmuster der EDEKA Kunden umfassen. Auf Basis von Trainingsdaten könnten erfasste Handlungen in “normale” wie auch Vorgänge automatisiert eingeordnet werden die einen eindeutige erkennen wo Ware unerlaubt mitgenommen wird. Die Ermittlung einer geeigneten Vision Technologie wie auch das darauffolgende “Sortieren” der Daten sowie die digitale zielgruppenaufbereitete Weitergabe an den Marktdetektiv, Marktmitarbeiter, etc. sind Anteile dieser Challange die durch weitere eigene Ideen ergänzt werden dürfen.

Rezepte Datenbank
Die EDEKA Gruppe besitzt einen riesigen Fundus an Rezepten die durch entsprechende Redakteure umfangreich recherchiert und aufbereitet worden sind (redaktioneller Content). Was an Bestandteil fehlt, ist die Überführung dieser sogenannten redaktionellen Daten hin zu unseren ERP Artikelstammdaten in unseren eCommerce Shops (edeka.shop). Ziel ist es das beispielweise automatisierte Redaktionelle Inhalte auf den Shop / App Startseiten gepublished werden die sofort einen Bezug zum Artikelsortiment des Shops schaffen (inkl. Berücksichtigung von Ersatzartikel). Zum einen auf die richtigen Artikel also solches aber auch den übertragenen korrekten Mengen der Anzahl ausgewählter Personen des Menüs/Rezept. Die passenden Artikel müssen sehr zielgenau sein, Tomaten sind nicht gleich Tomaten. Mengen wie „für zwei Personen“ entsprechen nicht zwingend eindeutig einem Putenschnitzel mit durschnittlich 125 Gramm / Stück, etc..
Ziel ist es die vorliegenden Bestandsdaten für die beschriebenen Endkunden Journey mittels KI zu automatisieren.