Künstliche Intelligenz am Fraunhofer IIS

Im Projekt KISS erforschen wir zusammen mit der Friedrich-Alexander-Universität Erlangen-Nürnberg neue Entwicklungswerkzeuge, um KI-basierte Algorithmen der Signalverarbeitung zu verbessern und dann computerunterstützt in hocheffiziente Implementierungen zu überführen. Mit unserer Arbeit tragen wir dazu bei, Entwicklungszeiten deutlich zu verkürzen sowie Optimierungen und Neuentwicklungen von Produkten und Dienstleistungen für Mobilität, Kommunikation und Unterhaltung zu erleichtern. Unsere Forschungsergebnisse werden wir über die universitäre Lehre und in Form industrieller Weiterbildung an alle relevanten Interessensgruppen weitergegeben.

Zusammen mit dem Fraunhofer IAIS entwickeln wir einen Sprachassistenten, der nicht nur europäische Standards der Datensicherheit gerecht wird, sondern auch die Qualität der Mensch-Maschine-Kommunikation auf eine neue Stufe hebt. Die semantischen Fähigkeiten werden weit über das Können bisheriger Systeme aus den USA oder dem asiatischen Raum hinausragen. Dadurch verbessern wir die Möglichkeiten der Mensch-Maschine-Interaktion via Sprache und sorgen dafür, dass Unternehmen Sprachassistenten mit voller Datensouveränität und unter Einhaltung europäischer Datenschutzstandards nutzen können.

Wir begleiten Deutschland ins KI-Zeitalter: Gemeinsam mit anderen führenden Initiativen im Bereich KI beteiligen wir uns an AI4Germany, um die lokale Wirtschaft sowie die Gesellschaft insgesamt in Deutschland aktiv bei der Anwendung von Künstliche Intelligenz zu unterstützen.

Um ein produzierendes Unternehmen zukunftsweisend auszurichten, sind neue Konzepte nötig, mit denen die rasant zunehmende Digitalisierung und Vernetzung von Prozessen gemeistert werden können. Dabei steht insbesondere die automatische Analyse von Mess- und Prozessdaten zur intelligenten Zustandsüberwachung sowie Qualitätssicherung im Fokus. Denn schon heute werden in Unternehmen unzählige Daten erfasst, jedoch oftmals nicht umfassend ausgewertet. Mit einer effizienten Strukturierung, selbstlernenden Systemen sowie neuartigen Big-Data- und KI-Ansätzen können aus Potenzialen strategische Wettbewerbsvorteile werden.

Die Industrie nutzt Funksysteme seit Langem in ganz unterschiedlichen Bereichen. Für zukunftsweisende Anwendungen wie die Zusammenarbeit mobiler Roboter ist die Drahtloskommunikation sogar eine Schlüsseltechnologie. Ihre wachsende Bedeutung auch für kritische Industrieprozesse setzt aber eine hohe Verfügbarkeit und Zuverlässigkeit von Funksystemen unbedingt voraus, die heute oftmals noch nicht gegeben ist.

Durch Methoden des Maschinellen Lernens ist es möglich, sich anbahnende Systemausfälle zu erkennen und zu vermeiden – unabhängig von der Komplexität der Systeme bzw. der verwendeten Funktechnologie.

Die Erfassung von Daten an Maschinen und Anlagen erzeugt immer größere Datenmengen. Um diese effizient zu nutzen, unterstützt unser Forschungsbereich Entwicklung Adaptiver Systeme EAS Kunden bei der Entwicklung intelligenter Sensoren, die dezentral direkt an den Anlagen die Vorverarbeitung der Informationen übernehmen. Um die Analyse-Hardware weiter zu optimieren, werden auch immer öfter Algorithmen aus dem Bereich der Künstlichen Intelligenz integriert. Ihre optimale Ausführung setzt allerdings besonders leistungsfähige, flexible und energieeffiziente Elektronik voraus. Deshalb nutzen wir für die Hardware-Entwicklung neuartige Konzepte und Advanced-Packaging-Methoden – bis hin zu modularen Aufbauten mit Chiplets, die eine Einbindung individueller Baugruppen ermöglichen. Mit »Intelligent IP« bietet der Forschungsbereich EAS außerdem eine Lösung für die Automatisierung des analogen neuromorphen Hardware-Designs. Zugeschnittene Generatoren ermöglichen dabei die schnelle und zuverlässige Generierung von Baublöcken für Schaltplan und Layout, die den Entwurf deutlich beschleunigen.

Im Projekt KIKiS – »Künstliche Intelligenz – Kompetenzen und Innovationspotential in Sachsen« untersuchten unser Forschungsbereich Entwicklung Adaptiver Systeme EAS in Dresden zusammen mit der Technischen Universität Dresden die Bedarfe und Anforderungen für die Entwicklung und den Einsatz von KI in Unternehmen. Die Studie, die im Rahmen dieser Untersuchung entstand, können Sie sich bei uns herunterladen. Sie enthält Empfehlungen für Unternehmen und Handlungsoptionen, um Sachsen zu einer starken KI-Region zu entwickeln.  

Wir setzen auf intelligentes Produktionsmonitoring und intelligente Produktionsüberwachung durch Röntgentechnik (2D und Computertomographie). Dadurch erkennen wir frühzeitig Abweichungen vom optimalen Produktionsprozess und regeln den Prozess derart, dass die vorgegebene Bauteil- bzw. Produktqualität stets erreicht wird und somit kein Ausschuss entsteht. Eine ausschussfreie Produktion steigert die Ressourceneffizienz, reduziert die Kosten und schont die Umwelt.  

Wir setzen KI-Methoden ein, um Röntgenbilder von Materialströmen (Erze aus Bergwerken, Recyclingmaterial etc.) zu analysieren und auszuwerten. Auf dieser Basis wird dann eine Sortierentscheidung getroffen oder der Wert des Materialstromes berechnet. 

Durch den Einsatz dreidimensionaler, zerstörungsfreie Monitoring-Systeme können wir Pflanzen möglichst vollständig, präzise und unbeschadet erfassen. Künstlicher Intelligenz klassifiziert und analysiert dann die verschiedenen Pflanzenstrukturen. Auf dieser Basis können wir Erträge und Stressresistenzen der Pflanzen unter unterschiedlichen klimatischen Bedingungen prüfen.

Um autonomes Fahren sicher zu machen, braucht das Fahrzeug absolut verlässliche Technologien, die es ihm ermöglichen, die gegebene Verkehrssituation und die eigene Verortung darin, unmittelbar und präzise zu erfassen. Zusammen mit unseren Projektpartnern entwickeln wir im Auftrag der Bundesregierung die leistungsstarke, energieeffiziente Hardware-Plattform »KI-FLEX« und das dazugehörige Software-Framework für autonomes Fahren. »KI-FLEX« wird unter Zuhilfenahme von Künstlicher Intelligenz Daten von Laser-, Kamera- und Radarsensoren im Auto zuverlässig und schnell verarbeiten und zusammenführen.

Im Zuge der Digitalisierung entstehen immer mehr Daten. Wir setzen KI-Methoden wie Maschinelles Lernen ein, um aus dieser wachsenden Informationsmasse weiterhin die richtigen Schlüsse zu ziehen. Mit Hilfe der KI erkennen wir Gesetzmäßigkeiten und Muster in den Daten und nutzen diese, um nicht nur die Sensorik zu optimieren, sondern auch ganze Prozesse.

Im Forschungszentrum IoT-COMMs forschen und entwickeln wir für vernetzte, agile und mobile Produktionssysteme und Anwendungen für das autonome Fahren. Dafür kombinieren wir die Basistechnologien Vernetzung, Lokalisierung und Informationssicherheit und sorgen durch den Einsatz von KI für eine lernende, kognitive Sensorik.
Das Forschungszentrum IoT-COMMs ist Teil des Fraunhofer-Clusters of Excellence Cognitive Internet Technologies (CCIT).

Höhere Qualität und Flexibilität in der Montage: Zur Unterstützung manueller Arbeitsprozesse in der Montage entwickeln wir kognitive Sensoren, die als Aufsatzmodul auf handgeführte Werkzeuge gesteckt werden können. Sie erfassen z.B., ob eine Schraube an der richtigen Stelle verschraubt wurde. Durch Machine Learning ermöglichen wir die Integration intelligenter Werkzeuge in die Produktion.

Im Projekt »R2D – Road to Digital Production« statten wir Werkstücke mit Smart-Production-Tags aus. Das Werkstück erkennt damit eigenständig Prozessschritte, protokolliert diese und steuert sie in Abstimmung mit den anderen Werkstücken. Dadurch werden klassische Produktionsabläufe dynamisiert und dezentralisiert.

Durch smarte Objekte ermöglichen wir intelligente und transparente Prozesse für die lernende Produktion und Logistik. Process Mining und Machine Learning ermöglichen es den smarten Objekten Prozesse bis runter zu einer Losgröße 1 selbst zu steuern.

Im Bereich Affective Sensing bzw. Affective Computing arbeiten wir an der maschinellen Erfassung, Interpretation und Verarbeitung menschlicher Emotionen und Affekte. Durch die Weiterentwicklung sensorischer und algorithmischer Technologien können wir physiologische Reaktionen, die durch Gemütserregungen und Stimmungen hervorgerufen werden, in Echtzeit erfassen. Hierzu zählen zum Beispiel die Mimikerkennung oder auch die Interpretation von Biosignalen.

Ziel unserer Forschung ist es, neuartige Methoden zum erklärbaren Maschinellen Lernen in Verbindung mit Prädiktion und Präskription (Vorhersage und Erklärung) in den Anwendungsdomänen Medizin und Automotive zu schaffen. Dazu gehören Verfahren, die zum einen das Training und die Arbeitsweise von Deep Neural Networks (DNNs) transparent machen und zum anderen die inhaltliche Validierbarkeit der Prognosemodelle verbessern sollen. Ein weiterer Fokus liegt auf dem Aspekt der Generalisierbarkeit der Machine-Learning-Systeme, d.h. in der Entwicklung adaptiver Verfahren, die mit patientenindividuellen Schwankungen der physiologischen Parameter (bspw. beim mobilen Einsatz im Sport) und unter variierenden Bedingungen (»in-the-wild«) umgehen können.

Das Projekt ADELIA ist Teil eines neuen Konzepts der deutschen Forschungsförderung zum Thema „Energieeffizientes KI-System“.  

Der Energieverbrauch von heutigen KI-Systemen ist für viele Anwendungen, besonders für batteriebetriebene Mobilgeräte, viel zu hoch. Gemeinsam mit unseren Kolleginnen und Kollegen vom Fraunhofer IPMS konzentrieren wir uns auf den Entwurf eines analogen Inferenz-Beschleuniger-ASICs. In unserem Team kombinieren wir interdisziplinäre Erfahrungen aus den Bereichen Low-power IC-Entwicklung, Medizintechnik, Maschinellem Lernen und Signalverarbeitung, die zur Entwicklung eines energieeffizienten KI-ASICs benötigt werden. 

Ziel des vom BMBF geförderten Gesamtprojekts »KI-PREDICT« ist die Nutzung von Methoden der Künstlichen Intelligenz (KI) auf unterschiedlichen Ebenen des Produktionsprozesses als Basis für die zustandsbasierte, prädiktive Wartung von Produktionsanlagen und die Überwachung der Produktqualität direkt im Produktionsprozess.
Dabei liegt unser Fokus auf der Entwicklung eines Sensor-Interface-ASICs. Seine Besonderheit liegt darin, dass es auf Sensoren für Condition-Monitoring und Echtzeit-Prozesskontrolle abgestimmt ist und eine energieeffiziente Feature-Extraction und Signalverarbeitung direkt am Sensor ermöglicht.

Ein zentrales Element bei der Psychotherapie von Angststörungen ist es, die Betroffenen den Angst auslösenden Situationen auszusetzen. Daher soll im Projekt ein System entwickelt werden, das die emotionalen Reaktionen der Klientinnen und Klienten während solcher Expositionen multimodal erfasst und daraus durch Datenfusion Parameter extrahiert, die für den weiteren Verlauf relevant sind. Aus diesen Parametern werden Mikrointerventionen abgeleitet, die der Klientin oder dem Klienten durch einen virtuellen Agenten in einer intuitiven Interaktion zur Verfügung gestellt werden. Durch die maschinelle Verarbeitung der in zahlreichen Expositionen gewonnenen Datensätze werden Prognosen für erfolgreiche Mikrointerventionen abgeleitet.

Ziel des Projekts TraMeExCo ist die Erforschung und Entwicklung geeigneter neuer Methoden zum robusten und erklärbaren Maschinellen Lernen (engl. explainable AI, XAI) auf komplementären Anwendungen (digitale Pathologie, Schmerzanalyse, Kardiologie) aus dem Bereich der Medizintechnik. Dabei untersuchen und implementieren wir u.a. Ansätze des Few Shot Learnings und Heat Maps für die digitale Pathologie und bestimmen die Herzratenvariabilität auf verrauschten EKG- und PEG-Daten mittels Long-term-Short-term-Netzen. Auf Basis des Facial Action Coding System (FACS) nach Ekman und Friesen werden Verfahren des Bayes‘schen Deep Learnings auf Schmerzvideos erforscht. Bei unserer Projektpartnerin, der Universität Bamberg, steht die Konzeption, Umsetzung und Erprobung von Verfahren zur Erklärbarkeit von diagnostischen Systementscheidungen mit LIME, LRP und ILP-Verfahren im Fokus.

Erklärbare KI wird als das zentrale Zukunftsthema der KI-Forschung angesehen und Erklärbarkeit als die notwendige Voraussetzung für den Einsatz von Maschinellem Lernen in der Praxis. In der Projektgruppe Erklärbare KI (EKI) entwickeln wir in einer Kooperation mit der Universität Bamberg Methoden für erklärbares Maschinelles Lernen, da rein datengetriebenes Maschinelles Lernen in vielen Anwendungsbereichen nicht oder nicht ohne Kombination weiteren Methoden einsetzbar ist. So entwickeln wir Methoden des interaktiven und inkrementellen Lernens, arbeiten an hybriden Ansätzen und entwickeln Algorithmen zur Generierung multimodaler Erklärungen.

Wir forschen daran, Analytics-Methoden und Verfahren der Künstlichen Intelligenz immer weiter zu verbessern, um mit deren Hilfe aus unbeherrschbar scheinenden Datenmengen handhabbare und qualitative Daten und Informationen zu bekommen. Ziel ist es, die richtigen Daten, die konkreten Nutzen für die Wirtschaft bringen, zu extrahieren.

Viele Entscheiderinnen und Entscheider stehen derzeit vor der Frage, wie sie ihr Unternehmen digitalisieren sollen, wie sie ihr Geschäftsmodell bzw. ihre Organisation verändern müssen, um zukunftsfähig und erfolgreich zu bleiben.

Wir begleiten Unternehmen dabei, die richtigen Antworten auf diese Fragen zu finden. Unternehmen benötigen neue, andere Blickwinkel auf ihr Geschäft, um sich in einer digitalen, schnell wandelnden Welt immer wieder neu erfinden zu können. Diesen neuen Blick auf ihre Prozesse, Organisationen und Geschäftsmodelle erhalten sie zum einen durch die Einbindung des Menschen in den Analyseprozess – sei es als Kunde, Nutzer oder Mitarbeiter – zum anderen durch eine datengetriebene, zukunfts- und marktorientierte Dienstleistungsentwicklung.

Die zunehmende Vernetzung erfordert neue Konzepte für Datenräume und den Technologieneinsatz: Bevor  Daten, die in der Regel aus verschiedenen Quellen und Systemen stammen und oft in unterschiedlichsten Formaten vorliegen, in einem vernetzt agierenden Umfeld wirklich als Information zur Optimierung genutzt werden können, müssen sie aufbereitet werden. Dafür braucht es passende Methoden und Technologien, die die Bereitstellung und Integration von Daten ermöglichen. Deshalb entwickeln wir neue Methoden und Verfahren, mit denen Daten so modelliert und aufbereitet werden, dass sie in neuen Kontexten einfach zu verwenden sind; und zwar indem wir sie aus ihrem bestehenden Umfeld bei gleicher Detailtiefe herauslösen.