Die Finite-Elemente-Methode (FEM) ist ein numerisches Verfahren zur Lösung von Differentialgleichungen bzw. Gleichungssystemen. Sie ist eine gängige Berechnungsmethode der Ingenieurwissenschaften, um beispielsweise elektrische, thermische, magnetische Felder zu berechnen oder um physikalische Zustände wie mechanische Spannung, Deformation, Druck, Temperatur etc. in der Strukturmechanik (Festkörperphysik) zu beschreiben und zu simulieren. Der Grundgedanke der FEM (Finite-Elemente-Methode) besteht darin, die zu untersuchenden komplexen Gebiete, Flächen oder Körper in eine größere Anzahl einfacherer Teilgebiete zu zerlegen, um diese dann mathematisch einfacher beschreiben und handhaben zu können. Dieser wichtige Prozess wird Diskretisierung oder Elementierung genannt. Bei zweidimensionalen Gebieten wird das Grundgebiet in Dreiecke, Parallelogramme oder krummlinige Dreiecke oder Vierecke eingeteilt, bei dreidimensionalen Gebieten dagegen in Tetraederelemente, Quarderelemente oder krummflächig berandete Elemente. Je feiner das Netz der Diskretisierung gestaltet ist, desto genauer werden die Ergebnisse der Näherungsrechnung (Approximation) bei allerdings steigendem Rechenaufwand. Die Formulierung der Ansatzfunktionen muss gewissen Stetigkeitsanfoderungen innerhalb der Elemente und an den Elementübergängen (Knoten) genügen, was einen gewissen Anspruch an die Anwender stellt. Hier finden Sie Anbieter von Software für die Finite-Elemente-Methode bzw. Finite-Elemente-Berechnungen.
Das Variantenmanagement oder die Variantenverwaltung ist als eine Verwaltungsmethode zur Herstellung und zum Vertrieb komplexer Produkte zu verstehen, die in dem Spannungsfeld zwischen dem zunehmenden Wunsch nach einem kundenorientierten Produkt zum einen, dies aber möglichst zu einem Herstellungspreis eines Massenartikels zum anderen, eingesetzt wird. Diese diametralen Anforderungen lassen sich nur gleichzeitigt erfüllen, indem der Hersteller mit möglichst wenigen unterschiedlichen Einzelteilen oder Baugruppen eine große Anzahl unterschiedlicher Endprodukt als Varianten herstellen kann. Voraussetzung dafür sind standardisierte Schnittstellen der einzelnen Bausteine, damit sich die - meist nur in wenigen Details - unterschiedlichen Unterkomponenten zu einer Einheit verbinden lassen (Legostein-Prinzip). Das Variantenmanagement in Form von Softwareprogrammen bietet hier Lösungen an, um die einzelnen Varianten - vom Rohling oder Halbzeug über die Baugruppen und das Montagemodul bis zum verkaufsrelevanten Endprodukt - zu beschreiben und eben nur technisch mögliche oder sinnvolle Konstellation für ein Kundenangebot zuzulassen. Letzteres hieße beispielsweise für Modellvarianten im Autoverkauf: Autos mit elektrischer Standheizung benötigen eine stärkere Batterie; das Cabriolet braucht dagegen in der Regel keine Anhängerkupplung. Man spricht in diesem Zusammenhang von einem Produktkonfigurator für die Angebotserstellung im Vertrieb.
Die Bildverarbeitungssoftware auf Basis Künstlicher Intelligenz nutzt Verfahren des maschinellen Lernens, insbesondere das Deep Learning und die Mustererkennung, um Bilddaten automatisiert zu analysieren, zu klassifizieren und zu interpretieren, etwa um bestimmte Objekte oder Abnormitäten auf einem Bild zu erkennen. Das Deep Learning nutzt große neuronale Netze mit vielen hintereinandergeschalteten Schichten von Verarbeitungsknoten. Ein neuronales Netz besteht aus vielen miteinander verbundenen Knoten, den Neuronen, die auf mehrere Eingangskanäle, z. B. auf Pixelwerte eines Bildes, gewichtet reagieren und eine digitale Information bei Erreichen eines bestimmten Schwellwertes an die Knoten der nächsten Knotenschicht weitergeben. Die Gewichtung der Neuroneneingänge und der einstellbare Schwellwert für die Signalweitergabe sind die beiden wichtigen Parameter der nichtlinearen Funktion eines Neurons, das quasi nur die jeweils "wichtigen" bzw. "richtigen" Informationen durchlässt (Filterfunktion). Damit neuronale Netzwerke Bilddaten verarbeiten, kategorisieren und Objekte erkennen können, muss man sie trainieren. Beim Trainieren neuronaler Netze verändert man schichtenweise die Parameter der Neuronen so, dass sich die Bildinformation von Schicht zu Schicht hin zum vorgegebenen Begriff des Trainingsobjekts verdichtet (abstrahiert). Dieser Prozess des "Anlernens" erfordert eine große Anzahl (Tausende) von Durchläufen mit verschiedenen Trainingsbildern zum Thema, um neuronale Verbindungen aufzubauen, zu verstärken oder zu vernachlässigen. Durch schnelle, iterative und statistische Berechnungen sowie intelligente Algorithmen ermöglicht die Software schließlich das automatische Erkennen von übereinstimmenden Merkmalen und Mustern der Bildinhalte, ohne dass das System explizit per Programmiersprache programmiert wurde, z. B. wie das gesuchte Objekt aussieht. KI-basierte Bildverarbeitungssoftware wird beispielsweise bei der Auswertung von Röntgenbildern zur Unterstützung in der medizinischen Diagnostik eingesetzt.