Künstliche Intelligenz und Maschinelles Lernen

Definition

Im Zuge der Digitalisierung generieren vernetze Anlagen und intelligente Produkte immer größer werdende Datenmengen. Mit Methoden der Künstlichen Intelligenz, insb. dem Maschinellen Lernen, ist es möglich, diese Daten gewinnbringend zu analysieren und daraus Wissen zu generieren.

Das Wissen muss wiederum so repräsentiert und vernetzt werden, dass bestehende Datensilos aufgebrochen, eine durchgängige Datenintegration hergestellt und benutzerfreundliche Anwendungen realisiert werden können.

Vision

Das Technologiefeld unterstützt die Industrie dabei, die verschiedenen Potentiale der KI, insb. des Maschinellen Lernens, zu identifizieren und zu erschließen. Darüber hinaus dient es dem lehrstuhlinternen Wissenstransfer.

Schwerpunktthemen

  • Datenmanagement und Datenbanken (u.a. SQL, NoSQL)
  • Edge-Cloud-Architekturen und Machine Learning Operations (MLOps)
  • Datenvorverarbeitung (u.a. Feature Engineering) und explorative Datenanalysen mittels statistischer Methoden
  • Machine Learning, Deep Learning (u.a. Convolutional Neural Networks, Transformers) und Reinforcement Learning
  • Generative KI (u.a. Large Language Models wie ChatGPT, Generative Adversarial Networks)
  • Knowledge Graphs basierend auf Semantic-Web-Technologien

Anwendungsfelder

  • KI-Anwendungen im Industrie-4.0-Umfeld (z.B. automatische Sichtprüfung, prädiktive Instandhaltung, Prozessüberwachung, Prozesssteuerung/-regelung, Prozessoptimierung)
  • Wissensbasierte Assistenzsysteme im Engineering (z.B. constraintbasierte Konfiguratoren, Knowledge Graphs)
  • KI-Systeme in medizintechnischen Anwendungen (z.B. Umgebungssegmentierung für sehbeeinträchtigte Menschen)

Technologiefeldleitung

Mitglieder