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.
ML: Transparent, Interpretable, Explainable ML
Die Notwendigkeit für verständliche KI steigt entsprechend der wachsenden Anzahl von Algorithmen, die unser tägliches Leben beeinflussen. Durch eine verbesserte Interpretation von Vorhersagen, die von Modellen erstellt werden, können wir ihr Verhalten verstehen und ihre Leistung optimieren.
SNLP: Conversational AI/Dialogue Systems
In der Ära von ChatGPT ist die Studie von großen Sprachmodellen von großer Bedeutung geworden und die Nutzungsmöglichkeiten sind sehr diversifiziert. Deshalb ist es besonders wichtig, stabile Modelle zu kreieren.
ML: (Inverse) Reinforcement Learning
Reinforcement Learning ist ein Hauptframework im Bereich des maschinellen Lernens. Die Gruppe konzentriert sich darauf, die Effizienz der Algorithmus-Entwicklung mit der Kombination von Reinforcement Learning und der Leistungsfähigkeit des automatisierten maschinellen Lernens zu steigern.