Maschinelles Lernen
An der Bergischen Universität Wuppertal (BUW) nimmt das maschinelle Lernen eine Schlüsselposition ein und verkörpert einen dynamischen Forschungs- und Lehrschwerpunkt innerhalb der Informatik. Maschinelles Lernen steht im Mittelpunkt des heutigen technologischen Fortschritts und beherrscht in vielen Bereichen die Innovationslandschaft. An der BUW streben wir danach, durch maschinelles Lernen Fortschritte zu erzielen, die es uns unter anderem ermöglichen, tiefgreifende Einblicke in komplexe Daten zu gewinnen und prädiktive Modelle von hoher Genauigkeit zu entwickeln. Unsere Forschungsinitiativen erstrecken sich von der Entwicklung neuer Algorithmen bis zur Implementierung von autonomen Systemen, die in der Lage sind, aus Daten zu lernen, sich anzupassen und selbstständige Entscheidungen zu treffen.
Durch die Zusammenarbeit der Fakultät für Mathematik und Naturwissenschaften sowie der Fakultät für Elektro-, Informations- und Medientechnik wird ein vielschichtiger Ansatz gefördert, der von theoretischen Grundlagen bis hin zur praktischen Anwendung reicht. Diese fakultätsübergreifende Zusammenarbeit ermöglicht die Entwicklung und das Vorantreiben innovativer Lösungsansätze für datengetriebene Herausforderungen unserer Zeit.
Anwendungsbereiche
Innerhalb des maschinellen Lernens fokussieren wir verschiedene Schlüsselbereiche:
In diesem Schlüsselbereich liegt der Fokus auf der Anwendung von Lernmethoden zur Optimierung industrieller Prozesse und Anwendungen. Durch die Nutzung synthetischer und großer Datenmengen aus der Produktion und Fertigung werden Verfahren erforscht und Modelle aufgebaut, die unter anderem in der Lage sind, visuelle Qualitätsbewertungen vorzunehmen, Anomalien in Produktionsprozessen frühzeitig zu erkennen oder Planungsprozesse zu beschleunigen. Dies ermöglicht eine präzisere Qualitätskontrolle, verbessert die Effizienz von Prozessen und unterstützt die prädiktive Wartung.
In diesem Schlüsselbereich wird an der Entwicklung von Methoden zur Bewertung und Kommunikation von Unsicherheiten in den Vorhersagen maschineller Lernmodelle gearbeitet. Ziel ist es, die Zuverlässigkeit und Transparenz künstlicher Intelligenz zu erhöhen, indem Nutzerinnen und Nutzer Einblicke in die Grenzen und das Vertrauensniveau der Modellvorhersagen gegeben werden. Dies ist besonders wichtig in kritischen Anwendungsfeldern, wo Entscheidungen auf der Basis von KI-Empfehlungen weitreichende Konsequenzen haben können.
In diesem Schlüsselbereich werden Methoden entwickelt, um mit maschinellem Lernen zur Lösung von Fragestellungen aus den Naturwissenschaften, wie der Chemie, Physik, usw. beizutragen. Eine wichtige Herausforderung liegt in der Nutzbarmachung von Prozesswissen aus der jeweiligen Disziplin in neuen Methoden. Zudem ist die Konstruktion von Modellen hoher Genauigkeit trotz geringer Datenverfügbarkeit oder hoher Datenkosten von großem Interesse. Neue Ansätze gehen häufig aus der Verbindung von Methodiken aus dem Scientific Computing und dem maschinellen Lernen hervor.
Der Schwerpunkt „Maschinelles Lernen“ wird durch das Interdisziplinäre Zentrum für Machine Learning and Data Analytics (IZMD) komplettiert, welches als fakultätsübergreifende Institution agiert. Das IZMD bündelt Expertise im maschinellen Lernen und in der Datenanalyse, um sowohl die wissenschaftliche Forschung auf diesen Gebieten als auch den Transfer dieser Technologien in die Wirtschaft und Gesellschaft zu fördern. Mit der „Bergischen Innovationsplattform für Künstliche Intelligenz (BIT)“ als Transferarm unterstützt das Zentrum die Anwendung maschinellen Lernens in der regionalen Wirtschaft und fördert den Dialog zwischen Wissenschaft, Industrie und Gesellschaft.
Lehrstühle und Forschungsgruppen
Im Schwerpunkt „Maschinelles Lernen“ sind folgende Lehrstühle und Forschungsgruppen der Informatik aktiv:
Software for Data-Intensive Applications (Prof. Peter Zaspel)
Automatisierungstechnik / Informatik (Prof. Dietmar Tutsch)
Allgemeine Elektrotechnik und theoretische Nachrichtentechnik (Prof. Anton Kummert)
Technologien und Management der Digitalen Transformation (Prof. Tobias Meisen)
Design vertrauenswürdiger KI (Prof. Hendrik Heuer)
Angewandte Mathematik (Prof. Michael Günther und Prof. Matthias Ehrhardt)
sowie in Besetzung:
Data Analytics
Massive Data Processing
