Laut §?15 UStG können Unternehmen einen Vorsteuerabzug nur geltend machen, wenn die zugrunde liegenden Rechnungen alle gesetzlich vorgeschriebenen Pflichtangaben enthalten. In der Praxis ist das händische Prüfen dieser Angaben jedoch zeitaufwendig und wirtschaftlich häufig nicht sinnvoll. Eine automatisierte Unterstützung bei der Prüfung und Extraktion der Angaben mithilfe von KI soll hier Abhilfe schaffen.
Die Lösung setzt dies technisch um, indem sie mithilfe von OCR und einem LLM Rechnungen ausliest, prüft und die relevanten Angaben extrahiert. Diese Informationen können dann automatisiert zusammen mit den Rechnungen über die Rechnungsdatenservice?API direkt in DATEV eingespeist werden. Das resultierende Tool reduziert den Aufwand für Rechnungsprüfung und Rechnungserfassung erheblich. Dadurch entsteht ein klarer operativer und finanzieller Mehrwert für das Unternehmen.

alphaQuest unterstützt einen Kunden bei einer komplexen Fusionierung von Anlagedaten. Das Projekt ist auf mehrere Jahre angelegt. Kernstück aus technischer Sicht ist die wiederholbare Umsetzung von derselben Art von Daten-Transformationsprozessen (für mehrere Mandanten) mit Überprüfung der Datenqualität und Sicherung bisheriger Ergebnisse. Das Auslesen, Schreiben und die Transformationen der Daten erfolgen, nach Kundenwunsch ohne Rückgriff auf Cloud-Ressourcen (es wird nur Code über Azure DevOps geteilt). Aus technischer Sicht ist das Ziel des Projektes ist der Aufbau von flexiblen Transformationsprozessen, die zugleich möglichst einfach und effektiv bedienbar sind, unterstützt von automatisierten Methoden zur Überprüfung der Datenqualität. 

Der Kunde beauftragte uns damit, eine kontinuierliche Migration zwischen zwei regulierten Datenbanksystemen mit angebundenen LIMS?Systemen zu planen und umzusetzen. Wöchentlich sollten neue Ergebnisse aus einer Quell-Datenbank in eine Ziel-Datenbank übertragen und dort vollständig integriert werden. Eine zentrale Vorgabe war, dass alle migrierten Ergebnisse in der Ziel-Datenbank auch über das LIMS abrufbar sind.
Besonderer Schwerpunkt lag auf der Absicherung der Schnittstellen, einschließlich einer regelmäßigen, automatisierten Rotation von Schlüsseln und Geheimnissen. Außerdem sollte ein effizienter Einsatz der Datenpipelines auf OpenShift gewährleistet werden. Das Projekt erforderte eine proaktive, enge Kommunikation, da Wissen über Anforderungen und Infrastruktur auf fünf Teams auf drei Kontinenten verteilt war.

Der Kunde hat eine Reihe von Backendsystemen, die die Informationen aus verschiedenen Laborinformationssystemen (LIMS) zusammenbringen. Das Projekt hat zwei Ziele. Das erste Ziel ist es, diese Daten aus einer Reihe von Quellesystemen so zur Verfügung zu stellen, dass diese für Data-Science-Auswertungen geeignet sind und dabei eine hohe Datenqualität aufweisen. Das Zurverfügungstellen der Daten erfolgt mithilfe des Erstellens komplexer SQL-Skripte, wobei das Verwenden von (ANSI)-SQL die Plattformunabhängigkeit der Transformationen sicherstellen soll. Das zweite Ziel besteht darin, bestehende Datenbanksysteme auf Basis der durch das erste Ziel erreichten Ergebnisse zu transformieren und dabei zu unterstützen, eine geeignete Analyse-Datenbank aufzubauen. Für den Erfolg des Projektes ist die Kommunikation und Abstimmung mit verschiedensten Personen im Unternehmen entscheidend. Das inkludiert unter anderem Fachexperten (Subject Matter Experts), Projektmanager, Dateningenieure, Datenwissenschaftler und BI Nutzer. Unser Berater arbeitet als Entwickler, übernimmt aber auch Aufgaben, die klassischerweise einem Projektmanager oder Product Owner zugeordnet werden.

Die verschiedenen Backendsysteme der Laborinformationssysteme (LIMS) des Kunden haben sehr komplexe und unterschiedliche Datenstrukturen, die ungeeignet sind, um Auswertungen auf ihnen vorzunehmen. Eine Analyse-Datenbank besteht nur punktuell. Ziel des Einsatzes ist daher, Datenstrukturen zu erstellen, damit die Daten in strukturierter Form mit hoher Datenqualität vorliegen, um sie für statistische Analysen verwenden zu können. Neben der komplexen Datenstruktur gibt es die weitere Herausforderung, dass die Datenstrukturen plattformunabhängig funktionstüchtig sein müssen.

Unser Entwickler schreibt komplexe SQL-Abfragen und gestaltet diese so modular wie möglich, um Synergien zwischen den Strukturanforderungen nutzen zu können. Um die Anforderung der Plattformunabhängigkeit zu wahren, werden die Statements in ANSI-SQL verfasst. Da die Dateneingabe pro Labor oder pro Prozessschritt unterschiedlich ist (Silobildung), ist viel Kommunikation mit unterschiedlichsten Wissensträgern nötig, um die fachliche Korrektheit der Daten zu wahren und Personen aus der Datengenerierung mit den Personen aus der Datenauswertung zusammenzubringen, um Prozesse so zu verbessern, dass diese für alle Stakeholder Vorteile bringen.

    Planung und Implementierung von Data Science Lösungen in Azure Machine Learning mithilfe von drei Vorgehensweisen: Azure Machine Learning Studio (grafische Oberfläche), Azure Machine Learning Python SDK (Programmieren) und Azure Machine Learning Command Line Interface (Scripting). Schwerpunkt: Machine Learning Algorithmen und Pipelines, versioniertes Deployment von Modellen per API, automatisiertes Logging von Modellparametern und -metriken, Modell-Interpretierbarkeit, Responsible AI und Differential Privacy mithilfe von SKLearn, PyTorch, AutoML, MLflow, Fairlearn und SmartNoise.

Der Konzern benötigt eine zentrale Anlaufstelle für die Auswertung von Daten, die in verschiedenen Quellsystemen erfasst werden. Die Aufgabe besteht darin, die Daten aus verschiedensten Quellsystemen zusammenzuführen und in einem DWH zu harmonisieren. Auf dieser geschaffenen Datenbasis sollen neue Kennzahlen berechnet und anschaulich mit Power BI visualisiert werden.

Hierfür wird ein bestehendes DWH erweitert, in dem zusätzliche Datenquellen zusammengefügt und aufbereitet wurden. Zur Erstellung und Darstellung der Berichte wird Power BI-Service mit einem strikten Rollenkonzept inkl. Rechteverteilung genutzt.

Ziel des Projektes war die Erstellen einer vollständigen Data Science Lösung zu einer psycholinguistische EEG-Studie zu Koprädikation im Arabischen. Das Projekt umfasste das Planen von Experimenten, das Vorverarbeiten der EEG Signale, das Erstellen einer Softwarelösung zum automatisierten Auswerten und die Interpretation der Daten.

Unser Berater hat das Projekt eigenverantwortlich bearbeitet.

Zwei Hautprojekte in Teamarbeit:

• Planung einer Hochzeit auf Herrenchiemsee in Kooperation mit den Auftraggebern (agiles Projekt)
• Planung und simulierte Durchführung eines Projekts zum Aufbau und Betrieb eines Coworking-Space für Handwerker mit Abschlussbericht (klassisches Projektmanagement)

Software-Entwicklung und Machine-Learning Aufgaben auf Basis von Python (Einzelarbeit):

• Objektorientiertes Shopping-Cart-System mit SQL-Datenbank-Anbindung
• Taschenrechner mit graphischer Oberfläche und objekt-orientiertem Back-End
• Deployment-Umgebung für Machine Learning Modellen mithilfe einer REST-API
• Objekt-orientierte Machine Learning Pipeline mit Logging, Email-Alerts und Datenbank-Anbindung
• Umsetzung der Data Machine Learning Pipeline für zwei Data Science Projekte

Ziel des Projektes war die Untersuchung von menschlichem Sprachverstehen mithilfe von EEG-Methoden. Es umfasste unter anderem die folgenden Themengebiete: Pragmatische Komponenten, Ironie und Emotionsverarbeitung bei sprachlichen Vorhersagen des Gehirns. Zu diesem Zweck wurden folgende Arbeitspakete durchgeführt: Erstellen balancierter, komplexer Stimuli für EEG-Experimente, Legen von ETL-Pipelines, Datenanalyse von EEG-Daten bei Milliarden von Datenpunkten. Weitere Tätigkeiten umfassten: Administrative Aufgaben: Schulungen und Einweisungen zur Datenerfassung im EEG-Labor und zur Datenverarbeitung, Erstellen eines DSGVO-konformer Ethikantrags für das EEG-Labor, Planen und Leiten der Datenerhebungsprozesse sowie Organisation wissenschaftlicher Workshops und Konferenzen.

Unser Berater führte diese Aufgaben in Anteilen in leitender Funktion und im Team durch.

Unser Berater forschte als Gastwissenschaftler an folgenden Institutionen: Walter-Benjamin-Kolleg, Universität Bern, Center for Philosophy of Science, University of Pittsburgh (USA), Munich Center for Mathematical Philosophy, LMU München

Unser Berater forschte als Universitätsdozent zu mathematischer Logik, Wissenschaftstheorie und Kognitionswissenschaften. 

Unser Berater forschte als Postdoc zu mathematischer Logik, Wissenschaftstheorie und menschlichen schlussfolgendem Denken.

Unser Berater forscht als Doktorand in der Forschung zu mathematischer Logik und menschlichem schlussfolgernden Denken.