Forschung

Das richtige Einschätzen von Verkehrssituationen und die darauf angemessene Reaktion sind Herausforderungen, die Menschen im Straßenverkehr zu meistern haben. Wir erforschen in diesem Schwerpunkt, wie Künstliche Intelligenz uns dabei unterstützen bzw. diese Aufgabe in sicherer Weise selbst übernehmen kann. Damit setzen wir an den derzeit wichtigsten Problemstellungen für das automatisierte Fahren an. Lesen Sie im folgenden mehr über unsere Herangehensweise und die zur Verfügung stehenden Mittel. 

Bei lebenslangen Erkrankungen wie Diabetes und Krebs können medizinische Ergebnisse und die damit verbundenen Behandlungskosten im Rahmen von klinischen Studien nicht ausreichend lange beobachtet werden. Entscheidungsträger sind für die gesundheitsökonomische Bewertung von Kosten und Nutzen auf Simulationsmodelle angewiesen. Maschinelles Lernen kann die Modellerstellung beschleunigen und neues Wissen für Ärzt*innen generieren.

Aus Unternehmensdaten werden kosten- und zeiteffektiv durch Anwendung maschineller Lernverfahren unter Verwendung eines standardisierten und strukturierten Vorgehensmodells Erkenntnisse gewonnen, die bei kontrolliertem Risiko das Wachstum eines Unternehmens stark beschleunigen können. Projekte werden insbesondere zur Kundensegmentierung, Kundenwertprognose, Abwanderungsprognose, Verkaufsprognose sowie Produktempfehlung für das Cross- und Up-Selling durchgeführt.

Effizienz in der Produktion hängt nicht zuletzt mit dem frühzeitigen Erkennen und Klassifizieren von Fehlerfällen - d. h. Abweichungen vom Normalzustand zusammen. Maschinelles Lernen eröffnet hierbei neue Wege, besser und vor allem auch flexibler zu werden. Aktuelle Projekte zu diesem Thema laufen unter industrieller Auftragsforschung. Wir freuen uns bei Interesse über eine persönliche Kontaktaufnahme.

Die Arbeitsgruppe Artificial Intelligence in Mental Health (AIMH) forscht an Biomarkern für psychische Erkrankungen wie der Depression, Schizophrenie, Alzheimer- und Parkinson-Krankheit . Biomarker sind objektiv messbare Kriterien für die Diagnose einer Erkrankung oder die Feststellung des Schweregrads einer Erkrankung. Die Forschung der Gruppe stützt sich auf Daten bildgebender Verfahren (z.B. Magnetresonanztomographie (MRT) oder Elektroenzephalographie (EEG)) und kognitiver Tests (z.B. Beck Depression Inventory (BDI) bei Depression oder ADAS-cog bei Alzheimer).

Reinforcement Learning (RL) ist unter anderem dadurch bekannt geworden, dass Computerspiele damit gewonnen wurden, ohne Programmierung der Spielregeln. In dem Ansatz steckt ein großes Potenzial, denn viele Probleme des Alltags lassen sich über ein "Computerspiel" darstellen - so z. B. auch das Autofahren. Wir arbeiten im Rahmen des KI-Labors an einer Reihe von Forschungsdemonstratoren, um RL auf verschiedene Aufgabenstellungen anzuwenden und vor allem auch die Übertragbarkeit aus der Simulation in die Wirklichkeit zu untersuchen. Die Projekte umfassen einen über RL gesteuerten Air-Hockey-Gegner, das automatisierte Fahren eines Modellautos durch die Stadt sowie das erlernte Greifen eines Roboterarms. 

Die Arbeitsgruppe „Web Data Mining" beschäftigt sich mit Forschungsthemen im Bereich der automatischen, computergestützten Analyse von großen Textmengen aus der Medizin bzw. dem Gesundheitsumfeld. Im Fokus stehen insbesondere öffentlich zugängliche (elektronische) Texte aus den Bereichen Public Health und dem Gesundheits-Web. 

Für die computergestützte Analyse setzen wir vor allem Ansätze aus dem Feld der künstlichen Intelligenz, einem Teilgebiet der Informatik, ein. Genauer kommen Methoden aus den Untergebieten „Computer Linguistik“, „Information Retrieval“ (Suchmaschinen) und „Text Mining“ sowie „Data Mining“ und „Maschinelles Lernen“ zum Tragen. Für die Verarbeitung von Massendaten aus dem Web-Umfeld setzen wir auf sogenannte Big Data-Technologien und Methoden des High Performance Computings.

Wir führen eine enge Kooperation mit der Arbeitsgruppe "Consumer Health Informatics (CHI)" des GECKO Instituts an der Hochschule Heilbronn.

Die Wissensverteilung und Wissensbewahrung sind zentrale Bausteine des Wissensmanagements. Dabei stellt die Wissenserfassung oft einen Engpass dar. Für einen erfolgreichen Einsatz muss das implizit in Dokumenten und in den Köpfen der Menschen verfügbare Wissen in oft mühevoller Arbeit erschlossen werden.

In verschiedenen Projekten im Kontext von Wissenschaft und KMUs werden auf Basis von Dokumenten mittels geeigneter linguistischer und statistischer Methoden des Text Minings und des Natural Language Processings Wissensfragmente extrahiert und in Wissensdatenbanken als Knowledge Graphen abgelegt. Die anschließende Verwendung reicht von der Darstellung als themenspezifische Wissenslandkarten bis hin zum automatisierten Beantworten von Fragen.