Unser Leistungsangebot
Methoden der Künstlichen Intelligenz, insbesondere des Maschinellen Lernens, ermöglichen es Computersystemen, sich automatisch anhand von Beispieldaten zu verbessern. Explizite Programmierung entfällt, wodurch nicht nur die Performance bereits vorhandener Funktionen optimiert, sondern auch vollkommen neue Aufgabenbereiche erschlossen werden können.
Am Fraunhofer ISST werden anwendungsspezifische KI- bzw. ML-Pipelines (also aneinander gekettete Verarbeitungsschritte) für die Bereiche Gesundheitswesen, Logistik und Datenwirtschaft erforscht und entwickelt. Je nach Anwendungsfall können diese auf unterschiedlichen Datenquellen wie Biosignalen (wie Messungen mithilfe von EKG oder 3D-Beschleunigungssensoren), Audio, Bildern, Videos, Texten oder auf einer Kombination mehrerer Datenquellen basieren. Dabei unterstützen wir unsere Partner entlang der gesamten Pipeline, beginnend bei der Identifikation sowie Machbarkeitsbewertung von ML-Einsatzszenarien, über die Vorverarbeitung der (Roh-)Daten bis hin zur Auswahl und dem Training geeigneter Modelle sowie deren Evaluation anhand anwendungsspezifischer Performancekriterien. Passend zu den vorliegenden Anforderungen kommen klassische Lernverfahren (wie Support Vector Machines, Decision Tree) genauso zum Einsatz wie Deep Learning Ansätze.
Das Leistungsangebot des Fraunhofer ISST umfasst die Identifikation sowie die Machbarkeitsbewertung von ML-Einsatzszenarien, Datenvorverarbeitung, Auswahl und Hyperparameteroptimierung passender ML-Modelle sowie deren Evaluation.
Identifikation & Machbarkeitsbewertung von ML-Einsatzszenarien
- Identifikation von anwendungsspezifischen Optimierungspotenzialen sowie neuen Aufgabenbereichen durch den Einsatz von KI bzw. ML
- Machbarkeitsbewertung des Einsatzes von KI bzw. ML anhand der vorhandenen Daten
Datenvorverarbeitung
- Bereinigung der Rohdaten
- Featureberechnung anhand von Biosignaldaten (z.B. 3D-Beschleunigung, EKG, Audio) aus der Zeit- und Frequenzdomäne
- Anwendung von Feature Selection und Extraction-Methoden
Training und Evaluation von ML-Modellen
- Konzeption von KI-/ML-basierten Anwendungen
- Auswahl aus unterschiedlichen Lernansätzen, z.B. klassische Klassifikationsverfahren, Deep Learning, Assoziationsanalyse, Clustern
- Hyperparameteroptimierung, Evaluation anhand anwendungsspezifischer Performanzmetriken
- Einsatz von Windowing-Verfahren, Zeitreihenanalyse
- Einsatz von Techniken zum Umgang mit Imbalanced Data, z.B. Data Augmentation, Cost-Sensitive Classification
Branchen
Methoden der Künstlichen Intelligenz, insbesondere des Maschinellen Lernens können in unterschiedlichen Branchen unterstützend zum Einsatz kommen oder auch völlig neue Aufgabenbereiche erschließen. Ob für die automatisierte Qualitätskontrolle in der Logistik, die Diagnose von Krankheiten, die Echtzeit-Detektion von kritischen Situationen im Gesundheitsbereich oder für die Extraktion von Informationen aus Dokumenten, die Möglichkeiten sind lediglich durch die Verfügbarkeit von Daten beschränkt.