Dr.-Ing. Maurice Preidel

Als AI Productivity Engineer mit mehr als 10 Jahren Erfahrung im KI-Bereich macht Maurice KI verantwortbar nutzbar, ohne dabei technische Tiefe, Reviewbarkeit und Umsetzbarkeit aus den Augen zu verlieren.

Maurice verbindet Engineering-Promotion, Data- und KI-Verständnis, Prozessdesign, Projekterfahrung und Hochschuldidaktik. Seine Arbeit zielt darauf, komplexe technische und organisatorische Zusammenhänge in produktive Arbeitsweisen, klare Artefakte und teamfähige Routinen zu übersetzen.

Mehr erfahren
Dr.-Ing. Maurice Preidel

Erfahrung

Breit gefächerte Erfahrung besonders in den Branchen Automobil, Luftfahrt und Produktion. Entwicklungstätigkeiten bei Rolls-Royce, IAV und AVL. Wissenschaftliche Tätigkeiten beim Fraunhofer-Instituts für Produktionsanlagen und Konstruktionstechnik IPK und der technischen Universität Berlin. Leitende und lehrende Tätigkeiten an der Technischen Universität Berlin.

Abteilungsleitung

Leitung der Abteilung Informations- und Prozesssteuerung (ca. 20 Personen) des Fachgebiets Industrielle Informationstechnik (IIT) der TU Berlin.

Forschungsfeldleitung

Leitung der Forschungsfelder Informationsmanagement für die Produktentstehung sowie Produktentwicklungsmethoden und -prozesse (TU Berlin in Kooperation mit dem Fraunhofer IPK).

Themenfeldleitung

Leitung des Themenfelds Smart Service Engineering (TU Berlin in Kooperation mit dem Fraunhofer IPK)

Projektmanagement

Leitung, Initiierung, Planung, Steuerung und Bearbeitung von nationalen und internationalen Projekten mit bis zu 15 Mio. EUR Projektbudget.

Lehr- und Dozententätigkeit

Einführung in die Informationstechnik für Ingenieure, Anwendungen der Industriellen Informationstechnik

Consulting

Beratung von KMU sowie nationalen und internationalen Konzernen in den Bereichen Smart Services, Data, AI, PLM, PDM, Prozessoptimierung und Produktentwicklung.

Luftfahrt

Schadfrüherkennung bei Hybrid-Schrägkugellagern, Simulation und Modellierung, Component Engineering

Automotive

Getriebe- und Hybridsysteme, Prüfstands- und Messtechnik, Testautomatisierung, Hardware-in-the-Loop Simulation

Weitere

Mitwirkung an 30 Forschungsanträgen, Begutachtung von mehr als 30 Abschlussarbeiten, Projekterfahrung aus der Zusammenarbeit mit mehr als 40 Unternehmen und Forschungseinrichtungen

Akademische Laufbahn

Promotion, Technische Universität Berlin, Fachgebiet Industrielle Informationstechnik

Semantische Datenspezifikation für KI-basierte Smart Services

Die Dissertation wurde mit summa cum laude (mit Auszeichnung) bewertet, ist im Fraunhofer Verlag erschienen und wurde 2024 mit dem prostep ivip Scientific Award PhD ausgezeichnet.

Technische Universität Berlin

M.Sc. Computational Engineering Sciences (1,6)

Masterarbeit in Kooperation mit dem Fraunhofer-Instituts für Produktionsanlagen und Konstruktionstechnik IPK zum Thema Entwicklung einer produktbezogenen Visualisierung in PLM IT-Systemen für die Nutzung von Kundenfeedback in der Produktentstehung

Technische Universität Berlin

B.Sc. Computational Engineering Sciences (1,9)

Bachelorarbeit in Kooperation mit der IAV GmbH zum Thema Automatisierte Applikation des Schaltablaufs bei Fahrzeugen mit Stufenautomatikgetrieben und Validierung eines Getriebemodells

Veröffentlichungen

PREIDEL, Maurice, 2023. Semantische Datenspezifikation für KI-basierte Smart Services. Stuttgart: Fraunhofer Verlag. Berichte aus dem Produktionstechnischen Zentrum Berlin. ISBN 978-3-8396-1956-8

PREIDEL, Maurice und Rainer STARK, 2021. SemDaServ: A Systematic Approach for Semantic Data Specification of AI-Based Smart Service Systems. Applied Sciences. 1 Juni 2021. Bd. 11, Nr. 11, S. 5148. DOI 10.3390/app11115148.

WANG, Wei Min, Maurice PREIDEL, Bernd FACHBACH und Rainer STARK, 2020. Towards a Reference Model for Knowledge Driven Data Provision Processes. In: IFIP Advances in Information and Communication Technology. Springer International Publishing. S. 123–132. ISBN 978-3-030-62411-8.

KLEMICHEN, Antje, Ina ROEDER, Maurice PREIDEL und Rainer STARK, 2020. 33779/01: Gestaltung umweltschonender Produkte in Makerspaces. Abschlussbericht. Berlin.

EXNER, Konrad, Maurice PREIDEL, Sonika GOGINENI, Jonas NICKEL und Rainer STARK, 2019. Digitaler Zwilling für Smart Services. ProduktDaten Journal. 2019. Bd. 2, S. 39–4.

PREIDEL, Maurice, Wei Min WANG, Konrad EXNER und Rainer STARK, 2018. Knowledge in engineering design: A systematic literature review on artifacts and it systems. Proceedings of International Design Conference, DESIGN. 2018. Bd. 1, S. 881–892. DOI 10.21278/idc.2018.0220

PREIDEL, Maurice, Bernd FACHBACH und Rainer STARK, 2018. Investieren in verknüpfte Datensilos – Von semantischen Netzen und Data Lakes. IT&Production – TeDo Verlag GmbH [online]. 20 Juni 2018. Nr. 4, S. 104–105.

BONVOISIN, Jérémy, Tom BUCHERT, Maurice PREIDEL und Rainer STARK, 2018. How participative is open source hardware? Insights from online repository mining. Design Science. ed 2018. Bd. 4. DOI 10.1017/dsj.2018.15.

WANG, Wei Min, Pascal LÜNNEMANN, Maurice PREIDEL und Rainer STARK, 2017. Wissen in Produktentwicklungsprozessen – ein Aktivitäten-basierter Analyseansatz. In: Peter KÖHLER, Klaus BRÖKEL, Gerhard SCHARR, Karl-Heinrich GROTE, Ralph H. STELZER, Frank RIEG, Jörg FELDHUSEN, Norbert MÜLLER und Armin LOHRENGEL (Hrsg.), 15. Gemeinsames Kolloquium Konstruktionstechnik (KT2017) [online]. Duisburg, Deutschland: Universität Duisburg-Essen. 2017. 183-192. ISBN 978-3-940402-15-8.

PREIDEL, Maurice, 2017. Webbasierte Informationsvisualisierung zur frühen Kundenintegration. In: STUTTGARTER SYMPOSIUM FÜR PRODUKTENTWICKLUNG. Stuttgart: IRB Mediendienstleistungen Fraunhofer-Informationszentrum Raum und Bau IRB. 29 Juni 2017. ISBN 2364-4885

Zertifikate und Weiterbildungen

Microsoft Certified

Zertifikate im Bereich Data, AI & Cloud

  • Azure Data Scientist Associate (DP-100)
  • Azure Data Engineer Associate (DP-203)
  • DevOps Engineer Expert (AZ-400)

Techische Universität Berlin

Qualifiziertes Zertifikat Hochschuldidaktik

  • Entspricht den Vorgaben der European Association for Quality Assurance in Higher Education (ENQA)
  • 210 Zeitstunden Umfang
  • Deckt alle relevanten Bereiche der Hochschuldidaktik ab

Ausgewählte Weiterbildungen

  • Maschinelles Lernen (Acatech, DFKI)
  • Using Data Science Tools in Python (New Horizons)
  • Sustainable Software Engineering (HPI)
  • Führen in Projekten auch ohne Vorgesetztenfunktion (Fraunhofer)
  • Künstliche Intelligenz und Maschinelles Lernen in der Praxis (HPI)