HAI: Human-Machine Teams
Enabling teamwork between humans and AI surely is the key to success for solving complex problems in the digital age. The fear of automation overtaking jobs is dominating the conversation about AI but what if the promising prospect of human-AI collaboration simply facilitates certain tasks and does not take them away but leave room for […]
HAI: Human-Computer Interaction
Without a doubt, the nature of collaboration between humans and computers is one of the most pressing research needs in the field of AI. We need to learn how to integrate new technology into our daily lives to enhance our given competences and make our lives more efficient.
ML: Multimodal Learning
As the world around us is complex, it is important to incorporate multiple modalities into systems created to support humans whether it is in medicine as robotic surgical assistants or other work environments.
PEAI: Societal Impact of AI
Societal impact of AI is one of the most talked about topics in media at the moment due to its grave importance. Focusing on human-centered needs whether in applications in healthcare or governance of sociotechnological systems is essential.
ML: Time-Series / Data Streams
Zeitreihenanalyse (Time series) treten in vielen verschiedenen Bereichen auf, von medizinischen Daten (z. B. EEG) bis hin zu Mobilität und Verkehr. Diese Mikro Fokus Gruppe konzentriert sich auf CNN-Modelle zur Analyse ihrer Daten.
DMKM: Linked Open Data, Knowledge Graphs & KB Completion
Die Organisation von Wissen ist grundlegend für die Nutzung von KI-Algorithmen, da sie oft die Erklärbarkeit und Transparenz erleichtert.
Cyber/ IT-Security
Software-Systeme müssen sicher und gegen externe Angriffe robust sein. Diese Gruppe konzentriert sich auf Cyber- und IT-Sicherheit.
ML: Graph-based Machine Learning
Beim graphenbasierten maschinellen Lernen werden kohärente Datenstrukturen (Graphen) verwendet, um Beziehungen und Abhängigkeiten zu modellieren. Dieser Ansatz verbessert die Fähigkeit der KI, komplexe Beziehungen in verschiedenen Bereichen, von sozialen Netzwerken bis hin zu Empfehlungssystemen, zu analysieren und vorherzusagen.
CV: Vision for Robotics & Autonomous Driving
Bilderkennung und -verarbeitung sind nicht nur entscheidend für die Zukunft des autonomen Fahrens, sondern auch in der Robotik. LiDAR-Sensoren und tiefe neuronale Netzwerkarchitekturen helfen dabei, verschiedene Arten von Wahrnehmungen genau zu verarbeiten.
CV: Medical and Biological Imaging
Der Einsatz von Methoden der Computer Vision in der Medizin nimmt stark zu. Die Erzeugung zuverlässiger und genauer Bilder von kleinen Gewebetypen birgt ein enormes Potenzial im Gesundheitssektor und verspricht große Vorteile für die Patient:innen.
