HAI: Human-Machine Teams
Die Ermöglichung von Teamarbeit zwischen Menschen und KI ist sicherlich der Schlüssel zum Erfolg bei der Lösung komplexer Probleme im digitalen Zeitalter. Die Angst vor der Übernahme von Arbeitsplätzen durch die Automatisierung beherrscht die Diskussion über KI. Was aber, wenn die vielversprechende Aussicht auf eine Zusammenarbeit zwischen Mensch und KI einfach nur bestimmte Aufgaben erleichtert […]
HAI: Human-Computer Interaction
Zweifellos ist die Art der Zusammenarbeit zwischen Mensch und Computer einer der dringendsten Forschungsbedürfnisse im Bereich der KI. Wir müssen lernen, wie wir neue Technologien in unser tägliches Leben integrieren können, um unsere Kompetenzen zu erweitern und unser Leben effizienter zu gestalten.
ML: Multimodal Learning
Da die Welt um uns herum komplex ist, ist es wichtig, mehrere Modalitäten in Systeme einzubeziehen, die zur Unterstützung des Menschen geschaffen wurden, sei es in der Medizin in Form von robotischen Operationsassistenten oder in anderen Arbeitsumgebungen.
PEAI: Societal Impact of AI
Die Auswirkungen von KI auf die Gesellschaft sind aufgrund ihrer großen Bedeutung derzeit eines der meistdiskutierten Themen in den Medien. Die Konzentration auf die Bedürfnisse des Menschen, sei es bei Anwendungen im Gesundheitswesen oder bei der Steuerung soziotechnischer Systeme, ist von wesentlicher Bedeutung.
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.
