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.

Tiefe neuronale Netze (DNN) sind ein wichtiger Faktor für die rasche Entwicklung der KI. Die Architektur besteht aus mehreren Schichten von Neuronen, welche komplexe Daten verarbeiten und vielseitig eingesetzt werden können.

Wenn Ärzte Entscheidungen treffen, müssen sie korrekt sein. KI kann durch die Analyse großer Datenmengen dazu beitragen, die Genauigkeit deutlich zu erhöhen und den Entscheidungsprozess zu unterstützen. Allerdings ist es wichtig, dass die Daten unvoreingenommen sind und der Entscheidungsprozess transparent ist, damit wir den Entscheidungen der Ärzte und KI am besten vertrauen können.