Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAISMaschinelles Lernen (ML) ist eine Schlüsseltechnologie für kognitive Systeme und Künstliche Intelligenz (KI). In Verbindung mit immer preiswerteren und leistungsfähigeren Sensoren und Prozessoren werden ML-Techniken in vielen Bereichen zum Motor der Digitalisierung und zu wettbewerbsentscheidenden Faktoren. Denn es gibt kaum einen Bereich, der nicht von ML- und KI-basierten Technologien entscheidend transformiert wird: von der Produktion über die Logistik bis zur Medizin.
Seit vielen Jahren behaupten wir eine Spitzenposition in der angewandten ML-Forschung. Wir gestalten das Maschinelle Lernen der Zukunft: ein modulares Maschinelles Lernen, das sowohl von Daten als auch von Wissen getrieben wird. Unsere Forscher*innen entwickeln menschenorientierte, nachvollziehbare und vertrauenswürdige Lösungen.
Zudem arbeiten wir an Anwendungen, die ressourceneffizient sind und auf unterschiedlichsten Hardware-Plattformen funktionieren. Wir passen unsere Verfahren an individuelle Einsatzszenarien an, vom verteilten Lernen (Edge Computing) bis zum ML auf Quantencomputern. Unsere Lernalgorithmen erschließen so bislang nicht zugängliche Einsatzgebiete für Wirtschaft und Gesellschaft.
In Studien und wissenschaftlichen Veröffentlichungen berichten wir über die Potenziale und Grenzen dieser Technologien. Wir engagieren uns in zentralen Forschungsprojekten in Deutschland und Europa und begleiten die gesellschaftliche Debatte über die Auswirkungen intelligenter Maschinen.
Wir gestalten das Maschinelle Lernen der Zukunft, das sowohl von Daten als auch von Wissen getrieben wird.
© sakkmesterke / fotolia.de
Machine Learning
Forschungsschwerpunkte
Big Data Analytics
Maschinelles Lernen mit extrem großen Datenmengen, die in Echtzeit auf skalierbaren Plattformen und Infrastrukturen verarbeitet werden
Dezentrales Maschinelles Lernen (Edge ML)
Lernen auf Endgeräten oder in der Cloud ohne Weitergabe sensibler Daten, zur Verkürzung der Antwortzeiten und effizienten Nutzung verteilter Daten
Informed Machine Learning
Kombination von statistischem Lernen mit wissensgetriebenen Ansätzen wie etwa semantischen Methoden, die auf Wissensgraphen basieren, oder mit Simulationen physikalischer Systeme
Text Analytics
Verfahren zur Analyse von Texten aller Art mit dem Ziel der Extraktion und Zusammenfassung von Informationen oder der Erkennung von Stimmungen
Quantum Learning
Umsetzung von Lernalgorithmen auf Quantencomputern zur Lösung rechenintensiver Probleme, an denen heutige, konventionelle Computer scheitern
Visual and interactive Analytics
Verfahren zur explorativen, interaktiven Datenanalyse, die die visuellen Fähigkeiten des Menschen nutzen; Schwerpunkte sind Mobilitätsprognosen und interaktive Modellbildung