Deep Learning (Cognitive Computing)

Daten durchdringen mit künstlichen neuronalen Netzen

Dank Deep Learning erleben wir eine Revolution in der künstlichen Intelligenz. Deep Learning ist eine Methode der Informationsverarbeitung mit künstlichen neuronalen Netzen und hat zu Durchbrüchen in der Bilderkennung, der Sprachverarbeitung oder auch der Robotik geführt.

Entscheidend ist, dass Deep Learning insbesondere dann gut funktioniert, wenn besonders große Datenmengen – Big Data – zum Training neuronaler Netze verfügbar sind. Dank seiner langjährigen Erfahrung mit Neurocomputing und Big-Data-Analytics-Lösungen gehört das Fraunhofer IAIS in Deutschland zu den Vorreitern in der Entwicklung von Deep-Learning-Ansätzen für die Industrie.

Projekte, in denen wir Deep-Learning-Verfahren erfolgreich in der Praxis implementiert haben, finden sich etwa in den Bereichen Intelligent Automotive, Multimedia oder Customer Churn Prediction.

Anwendungsfelder

 

Multimedia – Automatische Spracherkennung

Trotz großer Fortschritte bei der automatischen Spracherkennung stellen laute Geräusche im Auto, starke Dialekte und lebhafte Diskussionen die Spracherkennungsalgorithmen auf eine harte Probe. Unsere Wissenschaftler*innen erforschen, wie mit Hilfe von tiefen neuronalen Netzen auch die verbleibenden Herausforderungen gemeistert werden können.

Automotive – Deep Learning für die Objekterkennung

Gängige Systeme zur Erkennung von Verkehrszeichen können runde Zeichen verlässlich erkennen. Jedoch gibt es gerade im Baustellenbereichen und auch sonst häufig Zusatzbeschilderungen, die bisher gar nicht oder nur bedingt erfasst werden können. Mit Hilfe von Neuronalen Netzen aus dem Deep-Learning-Bereich, die die bisher verwendeten Verfahren ergänzen, werden innovative Lösungsansätze erforscht.  

 

Mustererkennung in geologischen Daten

Unsere Forscher*innen trainieren tiefe neuronale Netze mit echten Daten aus der Öl- und Gasindustrie, um so in seismischen Datensammlungen nach Strukturen und Konfigurationen zu suchen. Sie helfen Geologen dabei, schneller und mit einer höheren Sicherheit wertvolle Rohstoffvorkommen zu finden. Die dabei eingesetzte Hardware wurde speziell für das Trainieren und Ausführen von tiefen neuronalen Netzen designed.

 

KI-basierte visuelle Qualitätskontrolle

Wir ermöglichen eine vollautomatische Feststellung und Auswertung von Oberflächenschäden.

Dafür prüfen wir reflektierende Oberflächen mithilfe eines Lichtbogens auf Schäden und Unregelmäßigkeiten (Damage Detection). Die anschließende Auswertung und Detektion der Schäden beruht auf Deep Learning und Deflektometrie.