Automated Machine Learning can save valuable time and energy when using ML algorithms. By continously adjusting hyperparameters, performance can significantly increase.

Adressing fairness and biases in algorithms is extremely relevant when incorporating technology into our society.

Increasing use of LLMs calls for more fine grained analysis of style and sentiment to ensure that models give an accurate representation of what is intended.

Description: Developing LLMs for mutliple languages, including low resource languages, is essential to ensure gobal access to new technologies.

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.