Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

Filters

Reset filters

Settings
Now showing 1 - 10 of 21
No Thumbnail Available
Publication

Informed Machine Learning - A Taxonomy and Survey of Integrating Prior Knowledge into Learning Systems

2023 , Rueden, Laura von , Mayer, Sebastian , Beckh, Katharina , Georgiev, Bogdan , Giesselbach, Sven , Heese, Raoul , Kirsch, Birgit , Walczak, Michal , Pfrommer, Julius , Pick, Annika , Ramamurthy, Rajkumar , Garcke, Jochen , Bauckhage, Christian , Schuecker, Jannis

Despite its great success, machine learning can have its limits when dealing with insufficient training data. A potential solution is the additional integration of prior knowledge into the training process which leads to the notion of informed machine learning. In this paper, we present a structured overview of various approaches in this field. We provide a definition and propose a concept for informed machine learning which illustrates its building blocks and distinguishes it from conventional machine learning. We introduce a taxonomy that serves as a classification framework for informed machine learning approaches. It considers the source of knowledge, its representation, and its integration into the machine learning pipeline. Based on this taxonomy, we survey related research and describe how different knowledge representations such as algebraic equations, logic rules, or simulation results can be used in learning systems. This evaluation of numerous papers on the basis of our taxonomy uncovers key methods in the field of informed machine learning.

View
No Thumbnail Available
Publication

New active learning algorithms for near-infrared spectroscopy in agricultural applications

2021 , Krause, Julius , Günder, Maurice , Schulz, Daniel , Gruna, Robin

The selection of training data determines the quality of a chemometric calibration model. In order to cover the entire parameter space of known influencing parameters, an experimental design is usually created. Nevertheless, even with a carefully prepared Design of Experiment (DoE), redundant reference analyses are often performed during the analysis of agricultural products. Because the number of possible reference analyses is usually very limited, the presented active learning approaches are intended to provide a tool for better selection of training samples.

View
No Thumbnail Available
Publication

Generative Machine Learning for Resource-Aware 5G and IoT Systems

2021 , Piatkowski, Nico , Mueller-Roemer, Johannes Sebastian , Hasse, Peter , Bachorek, Adam , Werner, Tim , Birnstill, Pascal , Morgenstern, Andreas , Stobbe, Lutz

Extrapolations predict that the sheer number of Internet-of-Things (IoT) devices will exceed 40 billion in the next five years. Hand-crafting specialized energy models and monitoring sub-systems for each type of device is error prone, costly, and sometimes infeasible. In order to detect abnormal or faulty behavior as well as inefficient resource usage autonomously, it is of tremendous importance to endow upcoming IoT and 5G devices with sufficient intelligence to deduce an energy model from their own resource usage data. Such models can in-turn be applied to predict upcoming resource consumption and to detect system behavior that deviates from normal states. To this end, we investigate a special class of undirected probabilistic graphical model, the so-called integer Markov random fields (IntMRF). On the one hand, this model learns a full generative probability distribution over all possible states of the system-allowing us to predict system states and to measure the probability of observed states. On the other hand, IntMRFs are themselves designed to consume as less resources as possible-e.g., faithful modelling of systems with an exponentially large number of states, by using only 8-bit unsigned integer arithmetic and less than 16KB memory. We explain how IntMRFs can be applied to model the resource consumption and the system behavior of an IoT device and a 5G core network component, both under various workloads. Our results suggest, that the machine learning model can represent important characteristics of our two test systems and deliver reasonable predictions of the power consumption.

View
No Thumbnail Available
Publication

Informed Machine Learning - A Taxonomy and Survey of Integrating Knowledge into Learning Systems

2019-03-29 , Rüden, Laura von , Mayer, Sebastian , Beckh, Katharina , Georgiev, Bogdan , Giesselbach, Sven , Heese, Raoul , Kirsch, Birgit , Pfrommer, Julius , Pick, Annika , Ramamurthy, Rajkumar , Schuecker, Jannis , Garcke, Jochen , Bauckhage, Christian , Walczak, Michal

Despite its great success, machine learning can have its limits when dealing with insufficient training data. A potential solution is the additional integration of prior knowledge into the training process, which leads to the notion of informed machine learning. In this paper, we present a structured overview of various approaches in this field. First, we provide a definition and propose a concept for informed machine learning, which illustrates its building blocks and distinguishes it from conventional machine learning. Second, we introduce a taxonomy that serves as a classification framework for informed machine learning approaches. It considers the source of knowledge, its representation, and its integration into the machine learning pipeline. Third, we survey related research and describe how different knowledge representations such as algebraic equations, logic rules, or simulation results can be used in learning systems. This evaluation of numerous papers on the basis of our taxonomy uncovers key methods in the field of informed machine learning.

View
No Thumbnail Available
Publication

KI-Engineering in der Produktion

2023 , Frey, Christian , Goßmann, Ann-Kathrin , Hasterok, Constanze , Hertweck, Philipp , Kühnert, Christian , Pfrommer, Julius , Usländer, Thomas , Ernis, Gunar , Hecker, Dirk , Poretschkin, Maximilian , Schulz, Daniel , Wegener, Dennis , Wirtz, Tim , Zimmermann, Alexander , Usländer, Thomas , Schulz, Daniel

Um Methoden der künstlichen Intelligenz (KI) in IT-Systemen der industriellen Produktion nachhaltig und operativ einzusetzen, bedarf es der Methodik des KI-Engineering. KI-Engineering adressiert die systematische Entwicklung und den Betrieb von KI-basierten Lösungen als Teil von Systemen, die komplexe Aufgaben erfüllen. Ziel ist es, das Innovations- und Optimierungspotenzial von KI-Verfahren in der industriellen Produktion nutzen zu können. Die Studie spannt die Dimensionen für KI-Engineering-Anwendungen auf, umreißt die qualitativen Anforderungen in der Entwicklung und im Betrieb unter dem Blickwinkel des Anwenders und Entscheiders. Verschiedene Anwendungsfälle werden in vier Autonomiestufen eingeordnet: von KI-basierten Assistenzfunktionen bis hin zu autonomen und adaptiven Systemen. Zudem werden passende Lösungsmethoden aufgezeigt. Ein Kapitel widmet sich den technischen und organisatorischen Schulden beim Einsatz von KI-Methoden. Hierin wird als Antwort das KI-Engineering-Vorgehensmodell PAISE® im Kontext bestehender Modelle aus dem Data Mining und dem Software-Engineering erläutert. Im Anschluss werden relevante Initiativen und Projekte beschrieben und anstehende Entwicklungen umrissen.

View
No Thumbnail Available
Publication

Tiefe neuronale Netze

2021 , Bauckhage, Christian , Hübner, Wolfgang , Hug, Ronny , Paaß, Gerhard

View
No Thumbnail Available
Publication

Smart Services in the Physical World: Digital Twins

2020 , Stojanovic, Ljiljana , Bader, Sebastian R.

Comprehensive, independently operating digital representations of physical assets, provisioned and manipulated through standardized interaction patterns, dissolve between the tangible and virtual world. Real-world developments are reflected in digital models and vice versa. The concept of digital twins combines these facets to integrated entities, specifying the description, appearance, and behavior of real-world entities in virtual models. This chapter explains how smart services enact as digital twins but also how they interact in flexible, loosely coupled networks.

View
No Thumbnail Available
Publication

Deutsche Normungsroadmap Künstliche Intelligenz

2022-12-09 , Adler, Rasmus , Bunte, Andreas , Burton, Simon , Großmann, Jürgen , Jaschke, Alexander , Kleen, Philip , Lorenz, Jeanette Miriam , Ma, Jackie , Markert, Karla , Meeß, Henri , Meyer, Olga , Neuhüttler, Jens , Philipp, Patrick , Poretschkin, Maximilian , Rennoch, Axel , Roscher, Karsten , Sperl, Philip , Usländer, Thomas , Weicken, Eva , Wrobel, Stefan , Zidowitz, Stephan , Ziehn, Jens , Kläs, Michael , Cheng, Chih-Hong , Heinrich, Jana , Knoblauch, Dorian , Heidrich, Jens , Görge, Rebekka , Kolomiichuk, Sergii , Lämmel, Philipp , Plinge, Axel , Rauh, Lukas , Tcholtchev, Nikolay Vassilev , Wahlster, Wolfgang , Winterhalter, Christoph

Im Auftrag des Bundesministeriums für Wirtschaft und Klimaschutz haben DIN und DKE im Januar 2022 die Arbeiten an der zweiten Ausgabe der Deutschen Normungsroadmap Künstliche Intelligenz gestartet. In einem breiten Beteiligungsprozess und unter Mitwirkung von mehr als 570 Fachleuten aus Wirtschaft, Wissenschaft, öffentlicher Hand und Zivilgesellschaft wurde damit der strategische Fahrplan für die KI-Normung weiterentwickelt. Koordiniert und begleitet wurden diese Arbeiten von einer hochrangigen Koordinierungsgruppe für KI-Normung und -Konformität. Mit der Normungsroadmap wird eine Maßnahme der KI-Strategie der Bundesregierung umgesetzt und damit ein wesentlicher Beitrag zur "KI - Made in Germany" geleistet. Die Normung ist Teil der KI-Strategie und ein strategisches Instrument zur Stärkung der Innovations- und Wettbewerbsfähigkeit der deutschen und europäischen Wirtschaft. Nicht zuletzt deshalb spielt sie im geplanten europäischen Rechtsrahmen für KI, dem Artificial Intelligence Act, eine besondere Rolle. Die vorliegende Normungsroadmap KI zeigt die Erfordernisse in der Normung auf, formuliert konkrete Empfehlungen und schafft so die Basis, um frühzeitig Normungsarbeiten auf nationaler, insbesondere aber auch auf europäischer und internationaler Ebene, anzustoßen. Damit zahlt sie maßgeblich auf den Artificial Intelligence Act der Europäischen Kommission ein und unterstützt dessen Umsetzung.

View
No Thumbnail Available
Publication

Grundlagen des Maschinellen Lernens

2021 , Bauckhage, Christian , Hübner, Wolfgang , Hug, Ronny , Paaß, Gerhard , Rüping, Stefan

Zu definieren, was die menschliche Intelligenz sowie intelligentes Handeln – und da­mit auch die Künstliche Intelligenz – ausmacht, ist außerordentlich schwer und be­schäftigt Philosophen und Psychologen seit Jahrtausenden. Allgemein anerkannt istaber, dass die Fähigkeit zu lernen ein zentrales Merkmal vonIntelligenzist. So ist auchdas Forschungsgebiet desMaschinellen Lernens(engl.machine learning, ML) ein zen­traler Teil der Künstlichen Intelligenz, das hinter vielen aktuellen Erfolgen von KI-Sys­temen steckt.

View
No Thumbnail Available
Publication

Deutsche Normungsroadmap Künstliche Intelligenz

2020 , Adler, R. , Kolomiichuk, Sergii , Hecker, Dirk , Lämmel, Philipp , Ma, Jackie , Marko, Angelina , Mock, Michael , Nagel, Tobias , Poretschkin, Maximilian , Rennoch, Axel , Röhler, Marcus , Ruf, Miriam , Schönhof, Raoul , Schneider, Martin A. , Tcholtchev, Nikolay , Ziehn, Jens , Böttinger, Konstantin , Jedlitschka, Andreas , Oala, Luis , Sperl, Philip , Wenzel, Markus , et al.

Die deutsche Normungsroadmap Künstliche Intelligenz (KI) verfolgt das Ziel, für die Normung Handlungsempfehlungen rund um KI zu geben, denn sie gilt in Deutschland und Europa in fast allen Branchen als eine der Schlüsseltechnologien für künftige Wettbewerbsfähigkeit. Die EU geht davon aus, dass die Wirtschaft in den kommenden Jahren mit Hilfe von KI stark wachsen wird. Umso wichtiger sind die Empfehlungen der Normungsroadmap, die die deutsche Wirtschaft und Wissenschaft im internationalen KI-Wettbewerb stärken, innovationsfreundliche Bedingungen schaffen und Vertrauen in die Technologie aufbauen sollen.

View