Negen miljoen voor nieuwe onderzoeksgroepen: revolutie in machine learning!

Negen miljoen voor nieuwe onderzoeksgroepen: revolutie in machine learning!

Op 1 april 2025 kondigde de Duitse Onderzoeksstichting (DFG) de start aan van vijf nieuwe onderzoeksgroepen. Eén van de groepen gaat werken bij het Instituut voor Regeltechniek onder leiding van Leibniz Universiteit Hannover (LUH). Deze onderzoeksgroep heeft als titel: “Actief leren voor dynamische systemen en controle – data-informaticiteit, onzekerheden en garanties” en richt zich op machinaal leren in dynamische systemen. In totaal stelt de DFG ongeveer 19 miljoen euro ter beschikking voor deze nieuw opgerichte groepen, die over een periode van vier jaar zullen werken, met de mogelijkheid van een tweede financieringsperiode van vier jaar.

De nieuwe benaderingen die het lectoraat nastreeft zijn vooral relevant voor toekomstgerichte technologieën en toepassingen. De uitdagingen op het gebied van machine learning zijn complex en omvatten onder meer de veiligheidsgaranties die nodig zijn bij zowel autonoom rijden als mens-machine-interactie. Traditionele processen bieden dergelijke garanties vaak niet, waardoor de ontwikkeling van innovatieve strategieën essentieel is.

Samenwerkingspartners en mogelijke toepassingen

De onderzoeksgroep werkt samen met erkende instellingen zoals de Universiteit van Freiburg en de technische universiteiten van Hamburg, Ilmenau en München. De onderzoeksresultaten kunnen verreikende toepassingen hebben, vooral in de robotica en energietechnologie. Machine learning is al op veel gebieden ingeburgerd, waaronder medische diagnose en autonoom rijden, waar gerichte data-analyse en leersystemen cruciaal zijn.

Machine learning zelf is een sleuteltechnologie voor cognitieve systemen en staat centraal in de mondiale economische ontwikkeling. Neurale netwerken spelen hierbij een cruciale rol. Deze zijn geïnspireerd op de zenuwcelverbindingen in het menselijk brein en bestaan ​​uit meerdere lagen dataknooppunten die via gewogen verbindingen met elkaar zijn verbonden. Met behulp van ‘deep learning’-methoden profiteren neurale netwerken van steeds diepere lagen die hen ondersteunen bij het oplossen van complexe problemen. Deze netwerken worden getraind door herhaaldelijk gegevens te presenteren, waardoor een nauwkeurigere classificatie mogelijk wordt iks.fraunhofer.de uitgelegd.

Sociale acceptatie en uitdagingen

De sociale acceptatie van deze technologieën is cruciaal voor de verspreiding ervan. Het debat over machine learning en kunstmatige intelligentie wordt vaak gekenmerkt door halve kennis, daarom is een op feiten gebaseerde discussie over de onderwerpen noodzakelijk. Een uitgebreid onderzoek, uitgevoerd als onderdeel van een door het BMBF gefinancierd project, biedt een overzicht van de huidige uitdagingen en onderzoeksvragen op het gebied van ML. Het project is geïnitieerd door Fraunhofer Instituut voor Intelligente Analyse- en Informatiesystemen IAIS en het Fraunhofer Centrum voor Internationaal Management en Kenniseconomie IMW. Het biedt waardevolle inzichten in de toepassingsgebieden en sociaal-economische randvoorwaarden die belangrijk zijn voor onderzoek in Duitsland.

Gezien de snel voortschrijdende technologieën op het gebied van machinaal leren en de veelheid aan mogelijke toepassingsscenario’s valt nog te bezien hoe de nieuwe onderzoeksgroepen bij LUH zullen bijdragen aan de verdere ontwikkeling van deze technologieën, vooral als het gaat om veiligheidsgaranties en innovatieve leermethoden.