Künstliche Intelligenz (KI) in der Industrie 4.0 stößt noch auf technologische Hindernisse, die den KI-Einsatz erschweren. Das Fraunhofer IKS entwickelt daher ein Framework, das den Daten- und KI-Lebenszyklus unterstützt, optimiert – und so die Wertschöpfung durch KI in der Produktion deutlich steigert.
Roboter nehmen Menschen so einiges an Arbeit ab – wenn sie denn funktionieren. Sobald jedoch ein Fehler auftritt, beginnt die aufwendige Suche nach der Ursache. Denn anders als bei klassischer Softwareentwicklung gibt es bei Robotern noch mehr Orte, wo sich Bugs, also Fehler verstecken können. Insbesondere sobald die Entwicklung vorangeschritten ist und die Interaktion des Roboters mit seiner Umgebung betrachtet wird. Ein Erfahrungsbericht aus der Forschung.
Auf der diesjährigen Safetronic, der internationalen Fachkonferenz für ganzheitliche Sicherheit von Straßenfahrzeugen, konnte das Fraunhofer IKS knapp 170 Teilnehmer begrüßen. Ein bisheriger Rekord. Ausschlaggebend dafür waren unter anderem die Erfahrungsberichte aus der Industrie zur Sicherheit des automatisierten Fahrens auf Level 3.
Elisabeth Pachl bringt mit ihrer Arbeit Maschinelles Lernen und moderne Medizin zusammen. Über Ihren Weg ans Fraunhofer IKS, ihre Motivation und den Beitrag, den Künstliche Intelligenz in der Medizin leisten kann, erzählt sie im Porträt.
Reinforcement Learning ist aufgrund der Trainingsmethode die am besten geeignete KI-Lösung (Künstliche Intelligenz) für eine Vielzahl von Anwendungen in den Bereichen autonome Systeme, Gesundheitswesen und Kommunikation. Die Natur dieser Aufgaben macht jedoch die Datenerfassung potenziell ressourcenintensiv, in einigen Anwendungsszenarien sogar unmöglich. Hier könnte Reinforcement Learning davon profitieren, Methoden des Quantencomputing einzubeziehen: Hybrides quantenklassisches Reinforcement Learning hat nämlich empirisch gezeigt, dass es weniger Trainingsschritte benötigt, um einen stabilen Lernprozess zu erreichen. Das Fraunhofer IKS forscht an Lösungen, die sich auch für den Einsatz in der Industrie eignen.
Deep Learning hat das Interesse am Einsatz Künstlicher Intelligenz in immer mehr Systemen geweckt. Auch das Reinforcement Learning im Bereich des Maschinellen Lernens hat einen Aufschwung erlebt. Trotz dieser beeindruckenden Erfolge in jüngster Zeit steht das Reinforcement Learning jedoch immer noch vor der Herausforderung, Akzeptanz zu finden und erfolgreich eingesetzt zu werden. Dies gilt insbesondere für sicherheitskritische Aufgaben wie Robotik, autonomes Fahren und industrielle Steuerungen. Ein Ansatz, der zur Lösung dieses Problems beitragen kann, ist hierarchisches Verstärkungslernen.
Autonome Systeme werden zunehmend in verschiedenen sicherheitskritischen Anwendungen eingesetzt, etwa im autonomen Fahren. Gerade hier sind die Umfeld- und Betriebsbedingungen von entscheidender Bedeutung. Komponenten des Maschinellen Lernens (ML) wie Deep Neural Networks (DNN) fungieren als Wegbereiter und müssen daher selber bei wechselnden Umweltbedingungen zuverlässig funktionieren. Das Fraunhofer IKS bietet eine Lösung, die mit diesen vielfältigen und sich ständig ändernden Umweltbedingungen umgehen kann.
In vielen Großstädten ist der Regelbetrieb selbstfahrender Bahnen bereits zum Alltag geworden. Aber wie funktioniert das autonome Fahren im Schienenverkehr?
Ganzheitliche Sicherheit für Straßenfahrzeuge steht im Mittelpunkt der Safetronic (15. bis 16. November 2023 in Leinfelden-Echterdingen). Im Video-Interview diskutieren der Institutsleiter des Fraunhofer IKS Prof. Dr. Mario Trapp und das Programmbeiratsmitglied Hans-Leo Ross von Vay Technologies Safety-Herausforderungen im Automobilbereich.
Reinforcement Learning (RL), zu deutsch bestärkendes oder verstärkendes Lernen, beschreibt eines der drei Hauptparadigmen von maschinellem Lernen (ML). Im Gegensatz zu den beiden anderen Methoden, Supervised Learning und Unsupervised Learning, erfolgt bei Reinforcement Learning das Lernen durch direkte Interaktion mit der Umgebung. Nachstehend folgt eine kurze Einführung.
