Willkommen beim Blog zum Maschinellen Lernen! Hier kommen die Wissenschaftler*innen des Forschungszentrums Maschinelles Lernen Rhein-Ruhr zu Wort. Es gibt spannende Beiträge für Einsteiger*innen, Profis, Anwender*innen aus der Praxis und alle, die neugierig auf die Themen Maschinelles Lernen und Künstliche Intelligenz sind.
Optimierung ist eine Schlüsselkomponente des Maschinellen Lernens, die erlaubt, Modelle basierend auf Daten zu trainieren. Sie arbeitet meist im Hintergrund, ist jedoch gerade bei hochkomplexen Lernproblemen und schwieriger Datenlage wichtig.
Bei Daten mit Lücken ist das Lernen von Modellen oft schwierig, und in manchen Fällen sogar unmöglich. Allerdings können generative Verfahren helfen, indem sie unvollständige Daten mit möglichst sinnvollen Annäherungen auffüllen.
Viele Entscheidungen können heutzutage effizient, genau und automatisiert mittels maschineller Lernverfahren getroffen werden. Ebenso wichtig ist allerdings, dass transparent dargestellt und erklärt wird, warum und wie diese Entscheidungen zustande kommen.
Für den Blog schreiben neben Gastautor*innen vor allem Wissenschaftler*innen aus dem ML2R. Die Autor*innen verraten, an welchen Themen sie gerade arbeiten, was sie besonders interessiert und welchem der ML2R-Forschungsschwerpunkte ihre Arbeit zugeordnet ist. Die Redakteur*innen kommen aus dem PR-Team des ML2R und beantworten Ihnen auch gern Fragen zum Blog.
Die Entwicklung fairer KI steht vor vielen Herausforderungen. Eine davon: Wie genau sehen eigentlich faire Entscheidungen aus? Diese Frage lässt sich weder mathematisch noch ethisch leicht beantworten.
Hersteller von „Artificial Companions“ versprechen, dass man mit ihren KI-Systemen tatsächlich befreundet sein kann. Ist dies der Weg zur perfekten Freundschaft, oder handelt es sich um eine riskante Illusion?
Die datengesteuerte Sensorinterpretation beim autonomen Fahren kann manchmal zu sehr unplausiblen Vorhersagen führen. Ein teils von Menschen entworfener, teils gelernter Regelsatz kann bestehende tiefe neuronale Netze, die Low-Level-Sensorinformationen verarbeiten, zuverlässig machen.
Das Fuzzy Testing erlaubt kontinuierliche, automatisierte KI-Tests mit moderatem Zeit- und Kostenaufwand, eignet sich für dynamische Entwicklungs- und Einsatzumgebungen und kann eine im Vergleich zu manuellen Verfahren deutlich größere Testraumabdeckung erreichen.
KI-Modelle effektiv prüfen zu können, wird im Hinblick auf ihre wachsende Bedeutung immer wichtiger. Dabei muss eine ganze Reihe besonderer Herausforderungen bewältigt werden, deren Lösung Gegenstand aktueller Forschung ist.
Durch ihr stochastisches Verhalten können Qubits (Quanten-Bits) als Quelle von (echten) Zufallszahlen im Maschinellen Lernen verwendet werden. Forschende des ML2R untersuchten den Einsatz von Quanten-Zufallszahlen zur Initialisierung von maschinellen Lernmodellen.
Für Einsteiger*innen: Hier erklären wir Begriffe und grundlegende Konzepte des Maschinellen Lernens und der Künstlichen Intelligenz.
Für Profis: Unsere Autor*innen berichten über Forschungstrends und ihre aktuellen wissenschaftlichen Arbeiten zum Maschinellen Lernen.
Für Praktiker: Hier geht es um Wissenstransfer. Wir schlagen die Brücke zu praktischen Anwendungen in Wirtschaft und Gesellschaft.
Haben Sie Fragen oder möchten Sie gern selbst einen Beitrag für unseren Blog schreiben? Hier können Sie Kontakt aufnehmen!
