Forschungsfeld Künstliche Intelligenz

Wir schließen die Lücke zwischen der akademischen Forschung und der praktischen Anwendung von Künstlicher Intelligenz (KI), indem wir uns mit den Grundlagen, der Qualitätssicherung und den Ansätzen zur Überwindung praktischer Einschränkungen befassen. Unsere Aktivitäten ermöglichen es, KI zu standardisieren und in verschiedenen Sektoren zu implementieren.

Kompetenzen am Fraunhofer HHI

Grundlagen

  • Neue Algorithmen: Methoden für kleine Datensätze, Multimodalität und fehlende Daten
  • Maßgeschneiderte Architekturen: tiefe Lernarchitekturen für spezifische Anwendungen
  • Modellspektrum: Deep Learning, Bayessche Inferenz, Autoencoder, beaufsichtigtes/unbeaufsichtigtes Lernen und rekurrente Modelle
  • Theoretische Überlegungen: Beiträge zum grundlegenden Verständnis der Entwicklung und Nutzung von KI-Modellen
  • Integration von Domänenwissen (z. B. Modelle, Sparsity und Verteilungen)
  • Gewährleistung von Zuverlässigkeit und Sicherheit (z. B. Wahrung der Privatsphäre)

Qualitätssicherung

  • Erklärbare KI: Methoden zur Visualisierung, Erklärung und Interpretation von Deep Learning-Modellen
  • Vertrauenswürdigkeit: Methoden zur Berücksichtigung von Rauschen, Ausreißern und „nonstationarity“
  • Robustheit: Methoden zur Verteidigung gegen feindliche Angriffe
  • Unsicherheit: Methoden zur Quantifizierung der Unsicherheit von Modell-Outputs
  • Auswertung: Messungen der Daten- und Modellqualität
  • Online-Maschinelles Lernen mit guten Tracking Algorithmen

Überwindung praktischer Einschränkungen

  • Modellgrößenreduktion: Ansätze zur Kompression neuronaler Netze
  • Effiziente Inferenz: Training und Implementierung von Modellen trotz begrenzter Speicher-, Rechen- und Energieressourcen
  • Föderiertes Lernen: Methode, bei der mehrere Teilnehmende gemeinsam Modelle trainieren, während die Daten lokal verbleiben, also nicht weitergegeben werden müssen
  • Verteiltes Lernen: Methoden zur Anpassung an Kommunikationseinschränkungen
  • Niedrige Komplexität: Lösungen, die niedrige Rechen- und Energiekosten bieten
  • Extrem niedrige Latenz durch massive Parallelisierung

Standardisierung und Implementierung von KI

Gesundheitswesen

  • ITU/WHO-Fokusgruppe „AI for Health“: Benchmarking von KI für die globale Gesundheit
  • Qualitätskontrolle: Evaluierung von KI für die Gesundheit mit der Charité, dem RKI und dem DKFZ
  • Daten aus dem Gesundheitswesen: Erforschung der KI für medizinische Bereiche und Datentypen


Computer Vision

  • Komplementierung klassischer Visionsmodelle mit Deep Learning
  • Tracking und Klassifizierung von Personen und Objekten in Videos
  • Erkennung von Angriffen auf Authentifizierungssystemen


Kommunikation

  • ITU-Fokusgruppe „Machine Learning for Future Networks including 5G“: Erstellung von Spezifikationen von KI für die Kommunikation
  • MPEG-Standardisierung: Komprimierung neuronaler Netze für multimediale Inhaltsbeschreibungen und Analyse
  • „5G and beyond“: Verbesserung der Funkzugangsnetze mit KI
  • Kognitives Netzwerkmanagement: KI-fähige, selbstorganisierende Vernetzung