KI-Algorithmen und -Methoden bilden den Schwerpunkt der Forschung im Bereich der künstlichen Intelligenz und haben die Data Science maßgeblich beeinflusst. Das Zusammenspiel von Rechenleistung, riesigen Datenbanken und effizienten Algorithmen zur Umsetzung von KI-Methoden hat Anwendungen in Technik, Biowissenschaften und Sozialwissenschaften ermöglicht. Trotz des Erfolgs der KI in einer Vielzahl von Anwendungsbereichen gibt es nach wie vor viele offene Probleme und Herausforderungen. Die Interpretierbarkeit, Zuverlässigkeit und Quantifizierung von Unsicherheiten in der KI sind Voraussetzungen für viele sensible gesellschaftliche Anwendungen. Diese reichen von der Biomedizin bis hin zu Entscheidungen von Finanzinstituten.

Themenbereiche

Föderiertes und effizientes Lernen

Beim Lernen gibt es zwei miteinander verflochtene Herausforderungen. Einerseits müssen Lernalgorithmen Ressourcen effizienter nutzen, andererseits ist der Datentransport zu einer zentralen Recheneinheit in vielen Anwendungen oft unpraktisch oder sogar gesetzlich verboten. Beide Herausforderungen können durch Methoden des föderierten und effizienten Lernens bewältigt werden.

Erfahren Sie mehr.

Skalierbares Visual Computing

Im Bereich des skalierbaren Visual Computing entwickeln, optimieren und nutzen wir skalierbare Methoden des maschinellen Lernens und der künstlichen Intelligenz. Hierdurch können wir visuelle Informationen erzeugt, auswerten und zu verarbeiten.

Erfahren Sie mehr.

Sprache verstehen

Sprache gilt in der Regel als der Gipfel menschlicher Intelligenz. Die nahtlose Integration von Maschinen in die Gesellschaft hängt davon ab, dass sie Sprache verstehen und beherrschen. Unsere Forschung umfasst daher domänenspezifische, groß angelegte Sprachmodellierung, Textmanipulationsalgorithmen, Argumentation und kausale Sprache. Diese werden speziell im Kontext der dialogorientierten KI, der Verbindung von Wissensextraktion und Graphen mit zielorientierten Dialogen sowie der Auswertung wissenschaftlicher Literatur untersucht.

Erfahren Sie mehr.

Graphenbasierte Künstliche Intelligenz

Wir erweitern die Forschung zur Graphenanalyse sowie die Entwicklung des verteilten Open-Source-Systems GRADOOP erheblich. Dazu entwickeln wir neue Indizierungs- und Graphen-Zusammenfassungstechniken und wenden Mechanismen zur Selektivitätssteigerung an, wie sie aus Graphendatenbanken bekannt sind. Darüber hinaus integrieren wir fortgeschrittenes Repräsentationslernen in Wissensgraphen in das PyKEEN-Framework und erforschen wissensbasierte Methoden für reichhaltige Graphenmodelle.

Erfahren Sie mehr.

Methoden und Hardware für neuroinspiriertes Computing

Wir entwickeln neuroinspirierte Hardwareplattformen für Echtzeit-KI-Anwendungen, die unter dem Namen SpiNNcloud an der TU Dresden eingesetzt werden. Darüber hinaus arbeiten wir an der Integration mit anderer Computing-Hardware wie neuroinspirierten Hardwaresystemen oder FPGAs und konzentrieren uns dabei auf das unüberwachte Lernen spikender neuronaler Netze.

Erfahren Sie mehr.

Wissensrepräsentation und -engineering

Am ScaDS.AI Dresden/Leipzig führen wir zu verschiedenen Aspekten der Wissensrepräsentation und -technik Spitzenforschung durch. Unsere Schwerpunkte liegen dabei unter anderem auf Ontologiesprachen, Beschreibungslogiken und regelbasierten Sprachen, Ontologie-Argumentation und -Algorithmen, dem ontologievermittelten Zugriff auf große und unvollständige Daten – sowohl exakt als auch approximativ –, Wissensgraphen und Wikidata, nicht-monotoner Argumentation, formaler Argumentation, der Erklärung des Verhaltens wissensbasierter Systeme sowie Methoden zum Umgang mit heterogenem und vielfältigem Wissen.

Erfahren Sie mehr.

Mathematische Grundlagen und statistisches Lernen

Wir entwickeln, erweitern und verfeinern mathematische Techniken in drei Hauptbereichen. Unser Ziel ist ein umfassendes, mathematisch fundiertes Rahmenwerk für das Lernen von Transformationsregeln in abstrakten Umschreibungssystemen. Darüber hinaus entwickeln wir neue Methoden für stochastische Modelle, die sich mit dem häufig beobachteten Problem von Ausreißern in Klassifikationen oder stochastischen Zeitreihen befassen und treiben die Lerntheorie in verschiedener Hinsicht voran.

Erfahren Sie mehr.

Forschungsschwerpunkt

Ein Großteil der modernen Arbeit im Bereich KI-Algorithmen und -Methoden hat keine Modelle entwickelt, die leicht interpretierbar sind, nicht über gegnerische Algorithmen manipuliert werden können und die Unsicherheit in ihren Vorhersagen erfassen. Ein Schwerpunkt unserer Forschung wird die Entwicklung neuartiger skalierbarer Algorithmen und Methoden sein. Hiercurch wird eine KI entwickelt, die interpretierbar und zuverlässig ist und Unsicherheiten erfasst. Eine weitere Herausforderung, mit der wir uns befassen, besteht darin, dass viele Algorithmen, die Unsicherheit quantifizieren und Zuverlässigkeitsgarantien für Daten mittlerer Größe bieten, nicht auf große Datenmengen skalierbar sind, da die Rechenkosten zu hoch sind. Unter Verwendung von Ideen aus der modernen KI, numerischen Methoden, Datenbanken und Datenstrukturen entwickeln wir innovative Lösungen. Diese sollen es uns ermöglichen, Algorithmen, die für Daten mittlerer Größe gut funktionieren, auf große Datenmengen zu skalieren.

Zudem interessieren wir uns sehr für die gesellschaftlichen Auswirkungen von KI und den Einfluss der Gesellschaft auf KI-Algorithmen. Unsere Forschung umfasst ethische und Fairness-Aspekte von KI-Algorithmen. Ein damit verbundenes Problem, das derzeit intensiv erforscht wird, ist die Frage des Datenschutzes. Bei vielen Anwendungen soll der Datenschutz gewährleistet werden, aber oft geht dies zu Lasten der Genauigkeit der Vorhersagen. Wir interessieren uns sehr für dieses Zusammenspiel und möchten verstehen, wann es zu einem Kompromiss kommt.

Ein neuer Anwendungsbereich der KI sind inverse Probleme und physikalisch basierte Modellierung. Ein inverses Problem besteht darin, aus einer Reihe von Beobachtungen ein datengenerierendes Modell abzuleiten: zum Beispiel die Berechnung eines Bildes in der Röntgen-Computertomographie, die Quellenrekonstruktion in der Akustik oder die Berechnung der Dichte der Erde aus Messungen ihres Gravitationsfeldes. Inverse Probleme sind ein aktives Forschungsgebiet mit Anwendungsbereichen, die vom Klimawandel bis zur Überwachung von Fertigungsprozessen reichen.