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.
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.
Künstliche Intelligenz (KI) hat den Weg geebnet für bessere und schnellere Diagnosen im Bereich der medizinischen Bildgebung. Allerdings können die spezifischen Herausforderungen in der Medizin, insbesondere die Datenknappheit, die Leistungsfähigkeit der KI beeinträchtigen. Sind Quantentechnologien in der Lage, hier Abhilfe zu schaffen?
Auf ihrer Innovation-Tour im Rahmen des DigiTech Gipfels macht die »Süddeutsche Zeitung« mit ihren Gästen auch Halt am Fraunhofer IKS. Auf dem Institutsbesuch dreht sich alles um KI und Safe Intelligence sowie um Quantencomputing.
Ein einfaches Online-Tool macht es möglich, die Robustheit eines KI-Modells zu testen – und das innerhalb weniger Sekunden. Robuscope heißt das Werkzeug, entwickelt wurde es vom Fraunhofer IKS.
Runde 2 für den Demo Day des Fraunhofer IKS: Sieben Teams haben dabei ihre Pitches und Demos einer Fachjury vorgestellt, die aus der Institutsleitung, Business Development und PR bestand. Beim diesjährigen Wettbewerb ging es um einen Preis – den Best Demo Award. Gewonnen hat am Ende das Team Robust Object Detector, das eine Anwendung entwickelt hat, die Fehler in der KI-basierten Personenerkennung reduziert.
