Gruppe Data Efficient Automated Learning

Eine Herausforderung beim Einsatz von KI, sowohl innerhalb produzierender Betriebe als auch in der Logistik ist die Beschaffung von vielen hochqualitativen Daten. Insbesondere der Aufwand die Daten zu labeln, das heißt mit Zustandsinformationen zu versehen, ist zeit- und kostenintensiv. Je höher die Anzahl der Informationen und deren Qualität, desto besser das später trainierte KI-Modell. Um hier den Prozess möglichst effizient zu gestalten, forschen wir einerseits an der Anwendung von Methoden aus dem Bereich Data Centric AI, um die Qualität der Daten und der Label zu erhöhen sowie zusätzliche Label effizient zu generieren. Andererseits nutzen wir Methoden des Semi-Supervised Learning, um mit wenigen Label-Informationen trotzdem gute KI-Modelle trainieren zu können. Um diese KI-Modelle auf weitere ähnliche Anwendungen skalieren zu können, forschen wir an unterschiedlichen Herangehensweisen, um vorhandene Modelle mit möglichst wenigen zusätzlichen Daten wiederverwerten zu können. Ein Beispiel hierfür sind Methoden des Transfer Learning.

Neben der Dateneffizienz ist auch ein effizienter Umgang im Training, der Wartung und der Instandhaltung der KI-Modelle essenziell. Insbesondere dem Fachkräftemangel wirken wir durch Forschung an verständlichen und automatisierten Lösungen entgegen. Der hohe manuelle Aufwand von immer wiederkehrenden Prozessen, zum Beispiel der Erstellung und Optimierung von KI-Modellen, kann durch die sinnvolle Anwendung von Automatischem Maschinellem Lernen (AutoML) reduziert werden. Aber auch im Bereich der Operationalisierung, also dem Betrieb der ML-Lösung, Machine Learning Operations (MLOps), können automatisierte Prozesse, wie Automated Testing & Monitoring, die Personaleffizienz erhöhen.  

Bei der Automatisierung spielt auch der Rechenaufwand eine wichtige Rolle, um nachhaltige Lösungen zu generieren. Aus diesem Grund forschen wir beispielsweise an ressourceneffizienten Optimierungsmethoden und dem Einsatz von vortrainierten Modellen.

Derzeit wird der Machine Learning Lifecycle nur von hochqualifiziertem Personal betreut, also in Betrieb genommen, gewartet und instandgehalten. Um dem Fachkräftemangel entgegenzuwirken forschen wir an verständlichen Methoden im Bereich MLOps, um die Wartung und Instandhaltung der Modelle zu vereinfachen und damit einen niederschwelligen Zugang zu der Nutzung von KI zu generieren.