Künstliche Intelligenz (KI) ist ein komplexes und vielfältiges Forschungsgebiet, das von technischen bis hin zu ethischen und rechtlichen Aspekten reicht. Die verantwortungsvolle Anwendung von KI-Lösungen in einem sozio-technischen Umfeld erfordert ein umfassendes Verständnis sowie Steuerung aller Komponenten und Technologien.
Am AIT konzentrieren wir uns auf Teilaspekte der KI, wie KI-Audio, Netzwerkanalyse, erklärbare KI, aber auch auf das große Ganze. Künstliche Intelligenz besteht nicht aus einem einfachen, auf maschinellem Lernen basierenden Computer-Vision-Modell, sondern ist die Realisierung einer komplexen kognitiven Aufgabe, die aus mehreren Komponenten aus unterschiedlichen Forschungsdisziplinen besteht. Diese Orchestrierung von Disziplinen wie Data Science, Artificial Intelligence und Software Engineering steht im Mittelpunkt des AIT-Forschungsbereichs Applied Artificial Intelligence.
Data Science & AI
Der verantwortungsvolle Einsatz von KI-Lösungen bedeutet einen verantwortungsvollen Umgang mit Daten. Als Data-Science-Forschungsgruppe verfügen wir über fundierte Kenntnisse der Data-Science-Workflows, insbesondere im Zusammenhang mit künstlicher Intelligenz, um Daten und Datensätze zu analysieren und zu modellieren und versteckte Verzerrungen und Ausreißer zu erkennen. Dieses Zusammenspiel von Data Science und künstlicher Intelligenz wird auch zur Überwachung von Context Drift in kontinuierlichen Lernsystemen und zur Verwaltung der Datensicherheit in föderierten Lernumgebungen eingesetzt. Wir wenden auch Datenanalyse und aktives Lernen an, um den Informationsgewinn zu messen und den manuellen Aufwand für die Annotation von Daten oder die Interaktion mit KI-Systemen zu minimieren. Durch die Anwendung neuester Meta-Learning- und "few-shot"-Strategien versuchen wir, den teuren Prozess der Datenannotation gänzlich zu vermeiden.
Angewandte KI in großem Maßstab
Die Verwaltung von KI-Systemen setzt die effiziente Verwaltung von Ressourcen voraus. Kernkomponenten der künstlichen Intelligenz, wie das maschinelle Lernen, basieren auf datengesteuerten Methoden. Die Verwaltung großer Datenmengen erfordert den Einsatz geeigneter Technologien. Wir bieten unsere Expertise in skalierbaren oder High-Performance Computing (HPC)-Architekturen auf Basis spezieller oder handelsüblicher Hardware an, die z.B. Apache Hadoop, Spark und Airflow sowie dedizierte GPUs für das Training und die Vorhersage neuronaler Netze nutzen.
