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 others?

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.

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.

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.

Die Organisation von Wissen ist grundlegend für die Nutzung von KI-Algorithmen, da sie oft die Erklärbarkeit und Transparenz erleichtert.

Software-Systeme müssen sicher und gegen externe Angriffe robust sein. Diese Gruppe konzentriert sich auf Cyber- und IT-Sicherheit.

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.

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.

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.

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.

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.

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.

Roboter werden in unserem Alltag immer häufiger eingesetzt. Es ist wichtig, dass wir untersuchen, wie wir sie am besten einbinden und schulen können, um eine positive Beziehung zwischen Mensch und Roboter zu erreichen.

Das Unterrichten von Algorithmen im Verarbeiten ihrer visuellen Umgebung ist entscheidend, um tiefere Einblicke in unsere Welt zu erlangen. Es wird immer wichtiger, verschiedene Datenarten zu verarbeiten. Dies gilt besonders, da die Komplexität dieser Daten stetig zunimmt.