Projektangebote

In diesem Projekt wird u.a. mittels cutting-edge Verfahren des Deep Reinforcement Learnings an einer Künstlichen Intelligenz für StarCraft2 gearbeitet die Wissen bewahrbar und übertragbar macht und zudem für Menschen nachvollziehbar ist (Explainability).

Das Ziel des Projekts ist es, den Heilungsverlauf von Wunden mittels optimaler Behandlung sowie fach-gerechter Therapie zu verbessern, und zwar im Kontext der Wundversorgung in der Altenhilfe und -pflege. Die Aufgabe von Verfahren der künstlichen Intelligenz (KI) ist dabei, Bilder von Wunden bezüg-lich verschiedener Merkmale automatisch zu klassifizieren. Darauf aufbauend sollen Wundverläufe vorhergesagt und Behandlungsempfehlungen generiert werden, um Pflegekräfte in ihrer täglichen Ar-beit zu unterstützen.

Im Gesundheitswesen vorliegende Daten, wie z.B. Pflegedokumentationen, sind oft schwer systematisch auswertbar und beziehen häufig die Perspektive der Patient*innen nicht mit ein. In diesem Projekt erfolgt eine systematische Auswertung von regelmäßig bei den Patient*innen erhobenen Daten. Zur Auswertung unstrukturierter Anteile werden verschiedene Large Language Models evaluiert. Alternativ wird ein System mittels AutoML-Methoden entwickelt, das auf der Basis von Vorerkrankungen und weiteren Parametern Empfehlungen/Vorhersagen gibt.

Ziel des Projektes ist die Entwurfsraumexploration von KI-/ML-Hardwarebeschleunigern in der Oberflächeninspektion. Im Zentrum steht nicht nur das Lernen der Modelle auf HPC-Systemen, sondern auch die effiziente Ausführung (Inferenz) auf eingebetteter Hardware. Ergebnis der Entwurfsraumexploration ist die Partitionierung der Anwendung, d.h. welche KI-Verfahren können auf dem Sensor ausgewertet werden, welche Verfahren können über Edge-Hardware (z.B. eingebettete GPU/FPGA) beschleunigt werden und welche erfordern leistungsfähige HPC-Hardware in der Cloud.

In der ambulanten Pflege älterer Patient*innen herrscht akuter Personalmangel mit entsprechender Auswirkung auf die Qualität der Versorgung. Der effiziente Einsatz von Pflegekräften könnte diesen Fachkräftemangel etwas abmildern. Das Reallabor Geriatrie im TransCareTech bietet die Möglichkeit, echte Daten von Patient*innen zu erheben. In diesem Projekt werden Methoden der Data Augmentation und der Predictive Maintenance genutzt, um Pflegebedarfe vorherzusagen und den Gesundheitszustand unter Positive Health Aspekten zu bewerten.

Ziel des Projektes ist die Entwicklung eines Systems, das mittels KI-/ML-Verfahren das Nutzungsverhalten der Bewohner*innen eines Smart Homes erlernt, um anschließend, geeignete Handlungsempfehlungen bereitzustellen oder, bei der Erkennung von Anomalien, geeignete Maßnahmen einzuleiten. Wissenschaftliche Herausforderung des Projekts ist die Anwendung und Evaluation von maschinellen Lernverfahren zum Lernen von Interaktionsmustern basierend auf den gelieferten Daten der Minimalsensorik, sowie der Prädiktion zukünftiger Interaktion und der Anomalieerkennung. 

Ziel des Projektes ist es simulationsbasierte Digitale Zwillinge zur Planung und Steuerung von Produktions- und Logistikumgebungen aus IoT-Daten zu lernen. Hierbei wird auf dem vom der HSBI und dem Fraunhofer ISST erstellten Open-Source-Framework OFacT aufgebaut und dieses erweitert. Die Daten stammen aus Kundenprojekten von Fraunhofer und der IoT-Factory des CfADS. Zum Einsatz kommen neben Process Mining Methoden auch generative Modelle wie Large Language Models (LLMs).

Das Thema Active Learning ist noch ein relativ unbekanntes Forschungsfeld, vor allem auf Anwenderseite. Daher zielt dieses Projekt darauf ab, einen Demonstrator zu entwickeln, der auch Laien die grundsätzliche Idee und wichtige Prinzipien von Active Learning näherbringt. Das Projekt SAIL bietet vielfältige Möglichkeiten zur Weiterbildung und ein großes Netzwerk innerhalb der Universitäten und Hochschulen in OWL. SAIL‘s Fokus liegt auf dem nachhaltigen Einsatz von KI vor allem über die Einführungsphase der KI hinaus. Dabei spielt das Thema Active Learning eine große Rolle. 

Die stetige Individualisierung der Produkte stellt nicht nur die deutsche Automobilproduktion vor Herausforderungen, die ein vollständiges Umdenken in der Produktionsorganisation erzwingen. Weg von getakteten Fließfertigung hin zur dezentralen Matrixproduktionssystemen. Schwärme von autonomen Roboter koordinieren hier die Wertschöpfungsprozesse und passen sich flexible an die aktuelle Situation an. Während die Grundidee des Konzeptes klar umrissen ist, ergeben sich im Detail noch sehr viele offene Forschungsfragen, die insbesondere das Verhalten der einzelnen Roboter betrifft. Hier setzt das Projekt an und erforscht unterschiedliche Strategien der KI in einem virtuellen Testbed.

Zur Planung von komplexen Produktions- und Logistiksystemen werden immer häufiger Simulationsmodelle eingesetzt, um die Auswirkungen von Entscheidungen (z.B. Ressourcenpläne, Produktionsprogramme, Engpassmaßnahmen) detailliert evaluieren zu können. In dem hier beschriebenen Projekt soll mittels Reinforcement Learning die Erstellung der Entscheidungsszenarien, durch eine Künstliche Intelligenz automatisiert werden. Das Verfahren des maschinellen Lernens kann hierbei die Simulation als Trainingsumgebung verwenden.

Das Paradigma der künstlichen Intelligenz (KI) hat eine Handvoll traditioneller Computer-Vision-Techniken ersetzt, um die korrekte Ausgabe eines komplexen Systems unter engen Einschränkungen und unterschiedlichen Bedingungen intelligent vorherzusagen. Viele KI-Algorithmen benötigen jedoch aufgrund ihrer massiven Rechenanforderungen enorme Mengen an Hardwareressourcen. Die Hauptaufgabe dieses Projekts ist die Entwicklung eines Frameworks für die effiziente Implementierung von Objekterkennungsalgorithmen auf stark ressourcenbeschränkten Hardwarearchitekturen (LowEnd-FPGAs, eingebettete Mikrocontroller). Basierend auf dem Framework werden automatisierte Methoden zur Erkundung des Entwurfsraums geeigneter Kombinationen von Objekterkennungsalgorithmen und Hardware im Sinne eines HW/KI-Co-Designs untersucht. Insbesondere industrielle Anwendungen mit hohen Latenzanforderungen werden angesprochen, wie z. B. die Echtzeit-Anwesenheitserkennung von Menschen.

Das Paradigma der künstlichen Intelligenz (KI) hat eine Handvoll traditioneller Computer-Vision-Techniken ersetzt, um die korrekte Ausgabe eines komplexen Systems unter engen Einschränkungen und unterschiedlichen Bedingungen intelligent vorherzusagen. Viele KI-Algorithmen benötigen jedoch aufgrund ihrer massiven Rechenanforderungen enorme Mengen an Hardwareressourcen. Ziel dieses Projekts ist die Entwicklung eines Frameworks für die effiziente Implementierung von KI- und ML-Algorithmen auf stark ressourcenbeschränkten Hardwarearchitekturen. Basierend auf dem Framework werden automatisierte Methoden zur Exploration des Entwurfsraums geeigneter Kombinationen von KI-Algorithmen und Hardware im Sinne von HW/KI-Co-Design erforscht.

Insbesondere industrielle Anwendungen mit hohen Latenzanforderungen werden angesprochen. Dabei wird nicht nur die gesamte Kette als linearer Prozess vom Modelltraining bis zur Inferenz berücksichtigt, sondern auch der Einfluss der Wahl möglicher Hardwarekonfigurationen auf die ursprüngliche Modellentwicklung.

Ziel des Projektes ist beschichtete Holzfurniere, die in einer variantenreichen Büromöbelproduktion zugeschnitten und gekantet werden optisch auf ihre Qualität zu überprüfen. Hierbei soll sowohl das Grundsetup (Kamerabeschaffung, und -aufhängung, Datenerhebung und Echtzeitdatenverarbeitung) eingerichtet, als auch das Verfahren auf Basis von Deep Convolutional Neural Networks entwickelt werden.

Zentrales Thema des Forschungsprojekts ist die Systemidentifikation, welche sich mit der datenbasierten Schätzung mathematischer Modelle beschäftigt. Im Rahmen des Projekts werden verschiedene Methoden aus diesem Bereich verwendet, um Modelle zur Beschreibung realer Systeme zu generieren. Die Qualität dieser Modelle wird bewertet und mit KI-basierten Modellen verglichen. Anhand der so gewonnenen Erkenntnisse werden Forschungsfragen definiert, die vom Studierenden in seiner Masterarbeit zu untersuchen sind. Während der gesamten Projektlaufzeit wird der Studierende von den Betreuenden kontinuierlich begleitet und individuell unterstützt.

Dieses Projekt zielt darauf ab, die Produktion durch Mass Customization zu revolutionieren, indem es die Personalisierung maßgeschneiderter Produkte mit der Effizienz und Kostenersparnis der Massenproduktion kombiniert. KI-Technologien werden genutzt, um reale Herausforderungen anzugehen und Produktionsprozesse so anzupassen, dass personalisierte Produktangebote effizienter und kostengünstiger werden. Das Projekt umfasst KI-gestützte Systeme zur Optimierung der Konfiguration, der Produktionslogistik und der Steuerungsprozesse, was die Durchlaufzeiten verkürzt, Fehler reduziert, die Präzision erhöht und Kosten senkt.

Ziel des Projektes ist die Losgrößenbildung einer Pulverbeschichtungsanlage für Metallteile einer variantenreichen Büromöbelproduktion zu optimieren. Hierzu müssen die Produktions- und Lagerprozesse rund um die Anlage als auch aus den Daten des Unternehmens als Digitaler Zwilling automatisch gelernt und auf dieser Basis ein KI-Assistent zu Losgrößenplanung entwickelt werden.

Ziel des Projektes ist die Einlagerung von Holzplatten für die Büromöbelproduktion zu optimieren. Die Schwierigkeit besteht darin, dass zum Zeitpunkt der Einlagerung der Platten auf unterschiedliche Stapel die Produktionsaufträge noch nicht vollständig bekannt sind und die Bedarfe somit auf Basis von historischen Daten vorhergesagt werden müssen. Hierzu sollen Modelle des Maschinellen Lernens eingesetzt werden.

Despite the vast amounts of data generated by IoT factories, healthcare systems and various industries, much of it remains 'unlabelled', limiting its usefulness for machine learning (ML) models. Labeling data can be expensive and time-consuming, creating a barrier to effective model development. Active Learning (AL) addresses this issue by enabling models to selectively query the most informative and representative data points. This research proposal investigates "Uncertainty Quantification in Active Learning", focusing on improving the selection process within AL frameworks. Using methods such as Bayesian inference and Gaussian processes, together with ensemble techniques, we will investigate how uncertainty quantification affects the efficiency of active learning. The study aims to improve the decision-making process in data selection, potentially advancing applications in areas where obtaining labeled data is difficult and costly.

Die Interaktion zwischen Menschen und sozialen humanoiden Robotern ist ein zentraler Bestandteil der Mensch-Maschine Interaktion der Zukunft. Soziale Roboter können mit uns Menschen so kommunizieren, wie wir es miteinander tun - indem sie sprechen, zuhören, Emotionen zeigen und Augenkontakt halten. Sie können zum Beispiel eingesetzt werden, um Kunden zu bedienen, Gesellschaft zu leisten, Mitarbeiter*innen zu schulen oder eine Sprache zu unterrichten. Ein Beispielsszenario mit dem am Campus vorhandene Roboter Furhat wird in diesem Video gezeigt:

https://www.youtube.com/watch?v=3lEQDf9Cv4s

Trotz der vielen Einsatzmöglichkeiten und der großen Nachfrage stellen sich bei der Entwicklung und dem Einsatz dieser vielversprechenden Technologien neue Herausforderungen bezüglich der Passung bzw. Kompatibilität zwischen Bedürfnissen und Anforderungen der Nutzenden und humanoiden Robotern dar. Eine Herausforderung liegt darin, die Roboter bezüglich Sprache, Mimik und Gestik so zu konfigurieren, dass Sie den individuellen Bedürfnissen der Nutzer gerecht werden. An diesem Punkt setzt das vorliegende Projekt an. Das übergeordnete Ziel ist es, den humanoiden Roboter Furhat, der dem Fachbereich Ingenieurwissenschaften und Mathematik am Campus Gütersloh bereits zur Verfügung steht, so zu konfigurieren, dass er in zu definierenden praktischen Anwendungsszenarien angemessen mit Menschen interagieren kann. Hierzu soll Furhat zunächst in die Lage versetzt werden, in einem bestimmten praktischen Szenario mit Menschen kommunizieren und kollaborieren zu können. Das praktische Szenario wird gemeinsam mit den Projektbetreuenden und den Studierenden definiert. Zudem soll mit Hilfe des maschinellen Lernens erreicht werden, dass der Roboter aus den Interaktionen mit seinen menschlichen Gesprächspartnern lernt und sich an dessen Sprache, Mimik, Gestik, Vorlieben und Gesprächsinhalte erinnert. Furhat soll somit „seine Fähigkeiten ausbauen“ und als akzeptierter, angenehmer sowie hilfreicher Gesprächspartner von seinem menschlichen Gegenüber wahrgenommen werden. Begleitend zur technischen Weiterentwicklung von Furhat sollen die Interaktionen zwischen den menschlichen Probanden und Furhat auch aus der Perspektive des Menschen untersucht werden. Hierbei soll ein experimentelles Setting aufgebaut werden, das spezifische Varianten von Konfigurationen hinsichtlich des „Auftretens“ (insb. Mimik, Sprache, Optik) von Furhat und deren Wirkung auf den menschlichen Gegenüber untersucht. 

Ziel des Projekts ist die Entwicklung eines Systems zur Innenraumüberwachung autonomer Züge durch Sensorfusion und KI-Methoden. Dabei werden verschiedene Sensortypen kombiniert, um Gefahrensituationen zuverlässig zu erkennen. Die wissenschaftliche Herausforderung liegt in der Auswahl geeigneter Sensoren, der Bewertung verschiedener Fusionsansätze und der Anwendung von KI-Algorithmen. Am Ende entsteht eine Lösung, die die robuste Überwachung gewährleistet und somit die Sicherheit in autonomen Zügen verbessern kann.