Mittelstand-Digital informiert kleine und mittlere Unternehmen über die Chancen und Herausforderungen der Digitalisierung. Regionale Kompetenzzentren helfen vor Ort dem kleinen Einzelhändler genauso wie dem größeren Produktionsbetrieb mit Expertenwissen, Demonstrationszentren, Netzwerken zum Erfahrungsaustausch und praktischen Beispielen. Das Bundesministerium für Wirtschaft und Energie ermöglicht die kostenlose Nutzung aller Angebote von Mittelstand-Digital. Weitere Informationen finden Sie unter www.mittelstand-digital.de Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz.

No abstract

Die systematische und kontinuierliche Auseinandersetzung mit neuen digitalen Technologien und das frühzeitige Erkennen von Chancen und Risiken als Grundlage für strategische Entscheidungen im Sinne einer langfristigen Aufrechterhaltung der Wettbewerbsfähigkeit, stellt für KMU generell aber auch für mittelständische IT-Unternehmen eine Herausforderung dar. Ursache dafür sind eine hohe Dynamik in den Unternehmensumfeldern, geringe Ressourcen für eine systematische strategische Vorausschau sowie ein Mangel an passfähigen methodischen Ansätzen. Im Mittelpunkt dieses Beitrages steht das Technologie Scouting als ein ausgewählter methodischer Ansatz, um die strategische Vorausschau von KMU der IT-Wirtschaft zu unterstützen. In diesem Beitrag wird gezeigt, wie das Technologie Scouting schlank und agil für eine ausgewählte Branche, den IT-Mittelstand, gestaltet werden kann und wie die Ergebnisse des Scoutings in einem Technologie Radar visualisiert und nutzbar gemacht werden können. Zu diesem Zweck wird im Beitrag die Betaversion eines Technologie Radars vorgestellt.

A plethora of chemical substances is out there in our environment, and all living species, including us humans, are exposed to various mixtures of these. Our society is accustomed to developing, producing, using and dispersing a diverse and vast amount of chemicals with the original intention to improve our standard of living. However, many chemicals pose risks, for example of developing severe diseases, if they occur at the wrong time in the wrong place. For the majority of the chemicals these risks are not known. Chemical risk assessment and subsequent regulation of use requires efficient and systematic strategies, which are not available so far. Experimental methods, even those of high-throughput, are still lab based and therefore too slow to keep up with the pace of chemical innovation.Existing computational approaches, e.g. ML based, are powerful on specific chemical classes, or sub-problems, but not applicable on a large scale. Their main limitation is the lack of applicability to chemicals outside the training data and the availability of sufficient amounts of training data. Here, we present the ready-to-use and stand-alone program deepFPlearn that predicts the association between chemical structures and effects on the gene/pathway level using deep learning. We show good performance values for our trained models, and demonstrate that our program can predict meaningful associations of chemicals and effects beyond the training range due to the application of a sophisticated feature compression approach using a deep autoencoder. Further, it can be applied to hundreds of thousands of chemicals in seconds. We provide deepFPlearn as open source and flexible tool that can be easily retrained and customized to different application settings at https://github.com/yigbt/deepFPlearn.

No abstract