Wenn Sie daran interessiert sind, intelligente Umgebungen zu schaffen, die mit Nutzern interagieren und ihre Aktivitäten bereichern können, dann sollten Sie an den IE2025-Tutorials zu intelligenten Umgebungen teilnehmen. Diese Tutorials bieten Ihnen einen Überblick über die wichtigsten Konzepte, Herausforderungen und Chancen in diesem interdisziplinären Bereich. Sie lernen aktuelle Forschungsergebnisse und Anwendungen in Bereichen wie Sensoren und Aktuatoren, Internet der Dinge (IoT), Signalverarbeitung (einschließlich Audio und Bilder), Kontextbewusstsein, Künstliche Intelligenz, Mensch-Computer-Interaktion, Softwaretechnik sowie allgegenwärtiges und verteiltes Rechnen kennen. Zudem haben Sie die Möglichkeit, mit Experten und anderen Teilnehmenden zu interagieren und praktische Erfahrungen mit einigen der Werkzeuge und Plattformen für die Entwicklung intelligenter Umgebungen zu sammeln.
Alle Tutorials können entweder persönlich am Konferenzstandort oder online besucht werden. Sie werden entweder vollständig vor Ort, hybrid (mit einigen Dozenten vor Ort und anderen online) oder ausschließlich online durchgeführt.
Welches fehlende Feature sollte ich erfassen, wenn meine Daten gestreamt werden? – Eine Einführung in Active Feature Acquisition für Datenströme
Präsenzveranstaltung
In der maschinellen Lernforschung können fehlende Merkmale (Features) die Genauigkeit von Vorhersagemodellen erheblich beeinträchtigen. Active Feature Acquisition (AFA) löst dieses Problem, indem es gezielt ermittelt, welche fehlenden Daten unter bestimmten Budgetbeschränkungen erworben werden sollten. Dieses Tutorial führt in AFA für statische und kontinuierlich gestreamte Daten ein und leitet die Teilnehmenden durch die Implementierung von AFA-Methoden für Datenströme. Am Ende der Veranstaltung werden die Teilnehmenden praktische Erfahrung in der Entwicklung eigener AFA-Lösungen gesammelt haben.
Zielgruppe:
Dieses Tutorial richtet sich an Einsteiger im Bereich maschinelles Lernen, die ihr Wissen über den Umgang mit fehlenden Daten, insbesondere in Echtzeit-Datenströmen, erweitern möchten. Es ist auch für Forschende im Bereich Datenstromverarbeitung relevant, die sich mit Methoden zur Erfassung fehlender Merkmale unter Ressourcenschränken beschäftigen wollen. Vorkenntnisse in Active Feature Acquisition (AFA) sind nicht erforderlich, aber ein grundlegendes Verständnis von maschinellem Lernen ist hilfreich.
Zusätzliche Informationen:
Die Teilnehmenden werden gebeten, Laptops mit vorinstalliertem Python mitzubringen, da Programmierübungen in Python durchgeführt werden. Weitere Anweisungen zur Softwareinstallation werden vor dem Tutorial bereitgestellt.
– Christian Beyer, M.Sc. in Computer Science, Otto-von-Guericke-Universität Magdeburg
Einführung in einen qualitätsoptimierten Entwicklungsprozess für intelligente Umgebungen
Präsenzveranstaltung
Die Entwicklung intelligenter Umgebungen ist aufgrund der Vielzahl und Komplexität der beteiligten Technologien eine große Herausforderung. Diese Systeme kombinieren verschiedene Komponenten wie Sensornetzwerke, KI-Algorithmen und nutzerzentrierte Mensch-Computer-Schnittstellen. Jede dieser Technologien ist für sich genommen bereits anspruchsvoll, und ihre Integration in ein kohärentes System erhöht die Komplexität zusätzlich. Zudem gibt es keinen einheitlichen Standard für den Entwicklungsprozess, der eine hohe Qualität der Ergebnisse garantiert.
Dieses Tutorial stellt einen verbesserten Ansatz für den nutzerzentrierten Entwicklungsprozess intelligenter Umgebungen vor, genannt UCIEDP2. Dieses optimierte Verfahren verbessert den Entwicklungslebenszyklus intelligenter Umgebungen, indem es Qualitätskontrollen in jeder Phase integriert. UCIEDP2 legt den Fokus auf bewährte Praktiken, strukturierte Methoden und strenge Evaluationskriterien, um den Herausforderungen bei der Entwicklung solcher Systeme gerecht zu werden. Durch die Bereitstellung eines systematischen Rahmens soll sichergestellt werden, dass intelligente Umgebungen nicht nur technisch ausgereift, sondern auch ethisch tragfähig für ihre Nutzer sind.
Zielgruppe:
Das Tutorial ist für eine breite Zielgruppe zugänglich. Teilnehmende mit einem Hintergrund in Informatik, Ingenieurwissenschaften oder Softwareentwicklung werden die vermittelten Konzepte jedoch leichter verstehen können.
Zusätzliche Informationen:
Die Teilnehmenden werden gebeten, Laptops mit vorinstalliertem Python mitzubringen, da Programmierübungen in Python durchgeführt werden. Weitere Anweisungen zur Softwareinstallation werden vor dem Tutorial bereitgestellt.
– Aditya Santokhee, Middlesex University Mauritius
Tutorial zu erklärbarer und robuster KI für Industrie 4.0 & 5.0 (X-RAI)
Präsenzveranstaltung
Die Robustheit und Erklärbarkeit von KI-Lösungen in industriellen Anwendungen sind von zentraler Bedeutung, insbesondere im Kontext vertrauenswürdiger KI. In zunehmend komplexen realen Anwendungen setzen Unternehmen auf sogenannte Black-Box-Modelle, die auf tiefem Lernen basieren. Diese Modelle liefern zwar hohe Vorhersagegenauigkeit und steigern die Effizienz industrieller Prozesse, aber ihre Entscheidungsfindung bleibt für menschliche Experten oft schwer nachvollziehbar. Dies erschwert es, fundierte Maßnahmen basierend auf KI-Ergebnissen zu ergreifen.
Ein vollständiger Aktionsplan zur Bewältigung beispielsweise von Schäden oder Abnutzungserscheinungen erfordert eine komplexe Abwägung zahlreicher Faktoren durch Techniker, Bediener und Manager. Diese Akteure benötigen daher transparente Einblicke, um zu verstehen: Was geschieht? Warum geschieht es? Wie hoch ist die Unsicherheit der Beobachtung? Und wie sollte darauf reagiert werden?
Die Effektivität eines industriellen Systems hängt maßgeblich davon ab, ob die richtigen Maßnahmen aufgrund der Alarme ergriffen werden. Vertrauenswürdige KI muss daher nicht nur präzise Anomalien erkennen, sondern auch verständlich, zuverlässig und umfassend erklären, welche Entscheidungen sinnvoll sind. Die Robustheit eines Systems zeigt sich darin, dass es sich an wechselnde Bedingungen anpassen und effizient handeln kann.
Zielgruppe:
Dieses Tutorial richtet sich an Forschende, die KI/ML zur Lösung industrieller Herausforderungen einsetzen möchten, sowie an Personen, die die Schwierigkeiten und Herausforderungen der Anwendung solcher Methoden verstehen möchten. Besonders relevant ist das Tutorial für jene, die sich mit erklärbarer KI (XAI) beschäftigen, um Themen wie Nachvollziehbarkeit, Kausalität, Fairness, Interpretierbarkeit, Datenschutz, Robustheit und Transparenz zu berücksichtigen. Es wird erwartet, dass sowohl akademische als auch industrielle Forschende teilnehmen.
Das Tutorial ist besonders hilfreich für Teilnehmende mit Interesse an erklärbarer KI und robusten KI-Methoden sowie für Forschende im Bereich IoT und industrielle Datenanalyse. Grundlegende Kenntnisse in Datenwissenschaft und maschinellem Lernen sind erforderlich.
– Sepideh Pashami, Halmstad University, Schweden
– Grzegorz J. Nalepa, Jagiellonen-Universität Krakau, Polen
– João Gama, Universität Porto, Portugal
Fraunhofer-Institut für Graphische Datenverarbeitung IGD