Fachgruppe Künstliche Intelligenz in Anwendungen (KIA)
Unsere vielfältigen methodischen und fachlichen Ansätze lenken uns dabei innovative Anwendungsfälle mit Partnern anhand folgender KI-Kompetenzen zu identifizieren:
Maschinelles Lernen (Maschinelles Lernen Algorithmen wie Support Vector Machines und Neuronale Netze 1. Generation)
Maschinelles Lernen (bestehend aus Künstlichen Neuronale Netzen oder weiteren datengetriebenen, statistischen Verfahren) ermöglicht es, versteckte Muster und Zusammenhänge in Daten zu erkennen und für die Entscheidungsfindung zu nutzen. Outlier Detection, Clustering, Klassifikation, Regression, Zeitreihenanalyse und grundlegende Natürliche Sprachverarbeitung (Natural Language Processing, NLP) gehören zu klassischen Ansätzen des Maschinellen Lernens.
Deep Learning (Neuronale Netze der 2. Generation)
Komplexe Neuronale Netze bieten eine Vielzahl an Einsatzmöglichkeiten wie beispielsweise:
- Image Processing: Algorithmn wie Convolutional Neural Networks (CNNs), Visual Transformer sind geeignet, um Bilder effizient zu klassifizieren. Frameworks wie YOLO können genutzt werden, um Object Detection durchzuführen. U-Net Architekturen können genutzt werden, um pixelgenaue Bild Segmentierung durchzuführen.
- Natural Language Processing: Effiziente Sprachverarbeitung beispielsweise in der Textzusammenfassung, Named-Entity-Recognition, Textklassifikation wird mit Transformerarchitekturen durchgeführt.
- Zeitreihen: Zeitreihen wie zeitliche Absatzverläufe im Unternehmen werden mit Architekturen wie Long-Short-Term-Memory (LSTM), Transformer-, CNN-Netzen prognostiziert.
- Generative AI: Generative Adverserial Networks, Diffusion Models werden eingesetzt, um photorealistische Bilder zu erzeugen. Texte können über Transformerarchitekturen wie in Large Language Models (LLMs) effizient erzeugt werden.
Spiking Neural Networks (Neuronale Netze der 3. Generation)
Neuronale Netze in der Zeitdomaine sind Gegenstand der Grundlagenforschung und können völlig neuartige Eigenschaften aufweisen. Beispielsweise benötigen sie eine deutlich geringere Energiemenge und lassen sie sich einfacher mit biologischen, neuronalen Netzen in Schnittstellentechnologien verbinden.
Agenten, Roboter und EdgeAI
Neue Agenten- und Roboter-Technologien ermöglichen autonome Cyber- physikalische Systeme, die sowohl in digitalen als auch physischen Umgebungen ihre Leistungen erbringen können. Forschung im Bereich EdgeAI erlaubt es leistungsstarke KI-Algoritmen auf ressourcenbeschränkter Hardware auszuführen.
Anwendungsbereiche:
Unsere Domänen-Expertise ist dabei breit und deckt u.a. die folgenden Anwendungsbereiche ab:
- Qualitätsmanagement durch Bildverarbeitung in der Produktion
- Bildverarbeitung in der Medizintechnik
- Bilderverarbeitung in der Robotik
- Einsatz von Large Language Models an der Mensch-Computer-Schnittstelle
- Large Language Models in der Software Entwicklung
- Tourenplanoptimierung in der Transportlogistik
- Losgrößenoptimierung in der Produktion
- Fraud Detektion im E-Commerce
- IT-Security pattern recognition
- Energieverbrauchsprognosen
- Prognosen in der Hydrologie
- KI in der Bildung durch z.B: Customization der Lehrinhalte
- …
