Machine Learning

Zentrale Forschungsthemen

Das Fraunhofer IIS besitzt Kompetenzen im Bereich Machine Learning, mit seinen Teilgebieten Reinforcement Learning und Deep Learning.

Das über viele Jahre aufgebaute Know-how wird für verschiedene Anwendungsbereiche, wie Sports Analytics, Industrie 4.0 oder für das Tracking genutzt, wodurch wir individuelle Lösungen für den Kunden bereitstellen können.

 

Machine Learning für Signalverarbeitung

Im Bereich der Signalverarbeitung werden verschiedene algorithmische Techniken zur Filterung, Mustererkennung, Klassifikation und schließlich der weiteren Verarbeitung von Signalen eingesetzt. Das maschinelle Lernen (ML) macht es möglich, aus geeigneten Daten neuartige algorithmische Lösungen zu erzeugen und damit neues Anwendungspotential zu erschließen, wo herkömmliche Lösungen versagen. So setzen wir nicht nur klassische ML-Modelle, wie beispielsweise Support Vector Machines, sondern auch moderne ML-Ansätze wie künstliche neuronale Netze in der Verarbeitung von z.B. Funksignalen für Funkwellen-basierte Ortung und Kommunikation ein.

Ein wichtiger Anwendungsbereich in der Digitalwirtschaft ist die Positionsbestimmung von Funksendern wie Smartphones oder anderen mobilen Geräten mittels bereits vorhandener Funkinfrastruktur. Während klassische Signalverarbeitungsansätze in komplexen Umgebungen, wie zum Beispiel Logistikzentren, versagen, werden am Fraunhofer IIS spezielle Typen von künstlichen neuronalen Netzen eingesetzt, um Funk-basierte Positionierungslösungen auch unter schwierigen Bedingungen zu ermöglichen.

 

Machine Learning für menschliche Bewegungen

Die menschliche Bewegung ist sowohl hochdynamisch und individuell als auch zeit- und kontextabhängig. Diese Herausforderungen und Abhängigkeiten führen dazu, dass die Bewegung von Menschen nur in sehr begrenztem Umfang formalisiert werden kann und daher nicht vollständig und korrekt beschrieben werden kann.

Im Gegensatz zu bewährten probabilistischen Methoden, die die menschliche Bewegung mit Hilfe empirischer Analysen und Expertenwissen beschreiben, lernen Methoden des maschinellen und tiefen Lernens alle Abhängigkeiten direkt aus der Erfahrung, basierend auf vorhandenen Bewegungsdaten. Diese Daten werden uns immer mehr zur Verfügung gestellt, so dass diese modernen Methoden immer besser lernen, die jeweiligen Datenströme von verschiedenen Sensorsystemen im Laufe der Zeit und abhängig vom aktuellen Kontext auf die richtige menschliche Bewegungsform abzubilden.

Darüber hinaus können unbeaufsichtigte Methoden des tiefen Lernens verwendet werden, um unbekannte Verbindungen zwischen Sensordatenströmen und zugrunde liegenden Bewegungsinformationen im Alltag zu erschließen und so im Laufe der Zeit intelligenter zu werden.

Eine clevere Kombination aus klassischen Methoden und künstlicher Intelligenz (KI), sogenannte Hybride, können etwaige Unsicherheiten der KI überbrücken, so eine nahezu fehlerfreie Vorhersage der aktuellen menschlichen Bewegung gewährleisten und darüber hinaus der zukünftigen Bewegung in Verbindung mit dem Sozialverhalten der Menschen ermöglichen.

 

Machine Learning für eingebettete Systeme

Im Bereich der Embedded Systems wird klassisches Maschinelles Lernen sowie Deep Learning eingesetzt. Wir nutzen multi-objektive AutoML (Automatisches Maschinelles Lernen), um Zielkonflikte zwischen Modell-Performance und Rechen- oder Speicherkosten zu lösen. Der AutoML Ansatz bedingt auch den nur sehr kurzen Zeitraum, den ein erster Prototyp benötigt. Unsere Auswahlalgorithmen und Verarbeitungsworkflows sind für den Einsatz von Machine Learning Pipelines optimiert, welche speziell für Embedded Systems entwickelt wurden.

Um Deep Learning Modelle gezielt anzuwenden, verwenden wir Methoden wie Deep Compression und Suchalgorithmen für neuronale Architekturen, um kleine, aber leistungsstarke Deep Learning Modelle zu erhalten, wo Standardnetzwerke nicht angewendet werden können.

Projektbeispiele

Die Kompetenz wurde bereits in verschiedenen Projekten erfolgreich umgesetzt.

 

Schreibtrainer

Verbesserung der Automation der Handschrift, der Rechtschreibung und des Schriftbildes auf Basis KI-basierter Signalverarbeitung.

 

HORIS - Hochauflösende Radarsysteme in der Infrastruktur

Realitätsnahe Messdatenvalidierung zur Verhaltensprädikation von Fußgängern an Bushaltestellen

 

KI4Tools

Das nachrüstbare und intelligente Sensormodul für Handwerkzeuge misst verschiedene Parameter in manuellen Arbeitsprozessen und ermöglicht dadurch Prozessoptimierung.

 

ESI-Fitness

Neueste Analysemethoden aus dem Bereich maschinelles Lernen und künstlicher Intelligenz, kombiniert mit präzisem Echtzeittracking ermöglichen eine neue Tiefe von Spiel- und Trainingsanalysen.

 

Sensorik im Fußball

Echtzeit-Analyse der Leistung der Spieler und des Spielverlaufs durch Einsatz kostengünstiger Sensoren und maschinellem Lernen zur Erkennung von Geschwindigkeiten, Aktionen und Ereignissen für Trainer und Spieler.

 

ML4POS

Indoor-Lokalisierung / Positionsschätzung mit Deep Learning, wodurch die Signalverarbeitungskette ersetzt wird.

 

 

Kognitive Handwerkzeuge

Abläufe und Prozesse für viele Arten von Handwerkzeugen durch kognitive Sensorik transparent werden lassen, Visualisierung und Qualitätssicherung.

 

Trackingdaten in Health Care und Sport

Suchmaschine für Szenen im Sport, die mittels Positionsdaten ähnliche Situationen in vergangenen Spielen findet, bewertet und Lösungen vorschlägt.  

 

KI in der Objektlokalisierung

Automatisierte Berechnung von Positionen auf Basis von tiefen neuronalen Netzen.

 

KI-Framework für autonome Systeme

Deep Reinforcement Learning in den Bereichen Planung, Steuerung, und Strategiededuktion.

 

KIAFE

Künstliche Intelligenz-Assistenz zur Fließbilderstellung

Weiterbildungsmöglichkeiten im Bereich Machine Learning

 

Machine Learning Seminare

Lernen, ML-Projekte erfolgreich umzusetzen - von der Definition der Geschäftsziele über den Test, bis zum Einsatz im Live-Betrieb

Machine Learning Forum

Vernetzungsplattform zwischen Forschung und Industrie mit Fachvorträgen und praktischen Anwendungsbeispielen

Auf den Punkt gebracht

Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz, der zum Ziel hat, Computer nicht explizit zu programmieren, sondern diese aus vorhandenen Daten selbstständig lernen zu lassen.


Datenschutz und Datenverarbeitung

Wir setzen zum Einbinden von Videos den Anbieter YouTube ein. Wie die meisten Websites verwendet YouTube Cookies, um Informationen über die Besucher ihrer Internetseite zu sammeln. Wenn Sie das Video starten, könnte dies Datenverarbeitungsvorgänge auslösen. Darauf haben wir keinen Einfluss. Weitere Informationen über Datenschutz bei YouTube finden Sie in deren Datenschutzerklärung unter: https://policies.google.com/privacy

Im Zusammenhang mit Machine Learning taucht häufig auch der Begriff Deep Learning auf.
Was versteht man unter maschinellem Lernen und wie hängt Deep Learning damit zusammen?

Datenschutz und Datenverarbeitung

Wir setzen zum Einbinden von Videos den Anbieter YouTube ein. Wie die meisten Websites verwendet YouTube Cookies, um Informationen über die Besucher ihrer Internetseite zu sammeln. Wenn Sie das Video starten, könnte dies Datenverarbeitungsvorgänge auslösen. Darauf haben wir keinen Einfluss. Weitere Informationen über Datenschutz bei YouTube finden Sie in deren Datenschutzerklärung unter: https://policies.google.com/privacy