Fraunhofer-Institut für Software- und Systemtechnik ISSTKünstliche Intelligenz und Sprachverarbeitung sind Schlüsselfaktoren für die Automatisierung, Effizienzsteigerung und Innovation in Unternehmen und Gesellschaft. Trotz großer Fortschritte in den letzten Jahren bestehen weiterhin erhebliche Herausforderungen bei der Skalierbarkeit, Domänenanpassung, Erklärbarkeit und dem verantwortungsvollen Einsatz von KI-Systemen. Unser Forschungsbereich entwickelt fortschrittliche Methoden im Bereich Machine Intelligence und Natural Language Processing, um Unternehmen bei der Analyse, Automatisierung und Entscheidungsfindung zu unterstützen.
Maschinelle Intelligenz und Verarbeitung natürlicher Sprache
Forschung zu generativer KI, LLMs, föderiertem Lernen, RAG und KI-gestützter Automatisierung.
Im Mittelpunkt stehen die Entwicklung und Anwendung von Large Language Models, Retrieval-Augmented Generation und domänenspezifischen KI-Lösungen, die komplexe Sprach- und Wissensverarbeitungsaufgaben bewältigen und sich flexibel an unterschiedliche Anwendungsbereiche anpassen lassen. Wir begleiten Unternehmen bei der Integration von KI-basierten Assistenzsystemen, der Umsetzung von föderiertem Lernen und der Entwicklung von Methoden für Unlearning, um Datenschutz, Anpassungsfähigkeit und regulatorische Anforderungen zu gewährleisten. Durch die enge Zusammenarbeit mit Industriepartnern entstehen innovative Lösungen, die die Effizienz steigern, neue Geschäftsmodelle ermöglichen und die Wettbewerbsfähigkeit nachhaltig stärken. Unsere Forschung legt besonderen Wert auf die Erklärbarkeit und Transparenz von KI-Systemen, um das Vertrauen der Nutzer zu gewinnen und die Akzeptanz in der Praxis zu erhöhen.
Wir entwickeln praxisnahe Werkzeuge und Frameworks, die Unternehmen dabei unterstützen, KI verantwortungsvoll und gewinnbringend einzusetzen. Empirische Studien und Pilotprojekte belegen eine signifikante Verbesserung der Präzision, Adaptivität und Effizienz in realen Anwendungsfällen. Unsere Arbeit trägt dazu bei, die Potenziale von KI und Sprachverarbeitung voll auszuschöpfen und Unternehmen fit für die Herausforderungen und Chancen der digitalen Zukunft zu machen.
Letzte Veröffentlichungen
| Jahr Year | Titel/Autor:in Title/Author | Publikationstyp Publication Type |
|---|---|---|
| 2025 | Supporting Software Engineers in IT Security and Privacy through Automated Knowledge Discovery Ehl, Marco; Ahmadian, Amir Shayan; Großer, Katharina; Elsofi, Duaa Adel Ali; Herrmann, Marc; Specht, Alexander; Schneider, Kurt; Jürjens, Jan |
Konferenzbeitrag Conference Paper |
| 2025 | Evaluation of a large language model to simplify discharge summaries and provide cardiological lifestyle recommendations Rust, Paul; Frings, Julian; Meister, Sven; Fehring, Leonard |
Zeitschriftenaufsatz Journal Article |
| 2025 | Innamark: A Whitespace Replacement Information-Hiding Method Hellmeier, Malte; Norkowski, Hendrik; Schrewe, Ernst-Christoph; Qarawlus, Haydar Khalid Haydar; Howar, Falk |
Zeitschriftenaufsatz Journal Article |
| 2025 | With Great Power Comes Great Responsibility: Responsible Management of Artificial Intelligence in Supporting Design Research Activities Schoormann, Thorsten; Gupta, Samrat; Möller, Frederik; Chandra-Kruse, Leona |
Konferenzbeitrag Conference Paper |
| 2025 | Red Flagging of Patient Data in the Emergency Room: a User-Centered Design Müller, Inga; Henze, Jasmin; Enders-Comberg, Sora; Molgaard, Ole; Ganzhorn Knudsen, Lars; Hegel, Lena; Huldtgren, Alina |
Konferenzbeitrag Conference Paper |
| 2024 | Safe AI in Autonomous Vehicles. Track at AISoLA 2023 Howar, Falk; Hungar, Hardi |
Konferenzbeitrag Conference Paper |
Diese Liste ist ein Auszug aus der Publikationsplattform Fraunhofer-Publica
This list has been generated from the publication platform Fraunhofer-Publica
Beispiele aus unseren Projekten
Unsere Forschungsprojekte entstehen in enger Zusammenarbeit mit Partnern aus der Industrie. Sie sind markt- und bedarfsorientiert konzipiert mit dem Ziel, anwendbare Lösungen für das Cloud Edge Ökosystem bereitzustellen.
DiMeKI: Eine digitalisierte Methode zur Künstlichen Intelligenz (KI) unterstützt den Wissens- und Technologietransfers (WTT) in außeruniversitären Forschungseinrichtungen (AUFE)
Ziel des Verbundvorhabens ist die Entwicklung einer ganzheitlichen digitalen KI-Methode zur Unterstützung des Wissens- und Technologietransfers (WTT) für außeruniversitären Forschungseinrichtungen (AUFE) und deren prototypische Anwendung und Evaluation im DFKI und im Fraunhofer ISST. Dabei werden die Transformationspotenziale der Digitalisierung und insbesondere der KI für den Wissens- und Technologietransfer (WTT) genutzt.