Deep Learning
Deep-Learning-Methoden, insbesondere künstliche neuronale Netze, werden heutzutage mit großem Erfolg eingesetzt. Dieser Erfolg beruht maßgeblich auf ihrer Fähigkeit, Muster in sehr komplexen Daten auf datengetriebene Weise zu erkennen. Die AML-Gruppe verfügt über umfangreiche Erfahrung in der Anwendung und Anpassung modernster Deep-Learning-Algorithmen auf eine sehr vielfältige Bandbreite von Datenmodalitäten – von Textdaten über Bild- und Videodaten bis hin zu Zeitreihendaten. Dies wurde durch Publikationen in hochwertigen wissenschaftlichen Fachzeitschriften anerkannt. Im Zuge dieser Arbeiten haben wir eine fundierte Wissensbasis aufgebaut, die es uns ermöglicht, auf Grundlage unserer Forschung hochmoderne technologische Lösungen zu entwickeln.
Selbstüberwachtes Lernen
Überwachtes Lernen auf Basis von Deep Learning hat in verschiedenen Anwendungsbereichen zu spektakulären Erfolgen geführt. Ein wesentlicher Nachteil besteht jedoch in der Abhängigkeit von großen, annotierten Datensätzen, die für das Training dieser Algorithmen erforderlich sind. Dies ist insbesondere im medizinischen Bereich ausgeprägt, wo Annotationen kostspielig sind und eine klinische Ground Truth oft schwer eindeutig zu bestimmen ist. Ein Ansatz zur Abschwächung dieses Mangels an Labels sind selbstüberwachte Lernverfahren, die ausschließlich aus den Eingabedaten selbst aussagekräftige Repräsentationen erlernen, welche anschließend für nachgelagerte Aufgaben genutzt werden können. Die AML-Gruppe interessiert sich für die Entwicklung und Anpassung solcher Verfahren an unterschiedliche Datenmodalitäten, für die Bewertung der erlernten Repräsentationen sowie für deren Einfluss auf Qualitätskriterien von Algorithmen, die für Downstream-Aufgaben feinjustiert werden.
Qualitätssicherung
Für den praktischen Einsatz von KI-Modellen ist eine geprüfte und abgesicherte Qualität unerlässlich. Dabei muss der Qualitätsbegriff deutlich über reine quantitative Leistungskennzahlen hinausgehen und Aspekte wie Erklärbarkeit, Robustheit, Unsicherheitsquantifizierung sowie die Bewertung der Datenqualität einschließen. Hier greifen wir auf umfangreiche Forschungsergebnisse zurück, etwa im Bereich der Erklärbarkeit und Robustheit von KI-Modellen, um ein besseres Verständnis und einen vertrauenswürdigeren Einsatz von KI zu ermöglichen. Dies ist insbesondere in sensiblen Anwendungsfeldern wie dem Gesundheitswesen von großer Bedeutung. Die AML-Gruppe verfügt über großes Interesse und fundierte Erfahrung in der Bewertung und Verbesserung von KI-Modellen im Hinblick auf Qualitätskriterien wie Robustheit, Erklärbarkeit und Unsicherheit.