Ilmenau-forskere udvikler sikker brug af kunstig intelligens i kritiske systemer

Ilmenau-forskere udvikler sikker brug af kunstig intelligens i kritiske systemer

Det tekniske universitet i Ilmenau har integreret sig i en banebrydende forskningsgruppe under den tyske forskningsfond (DFG), der beskæftiger sig med udfordringerne ved maskinlæring. Deres mål er at øge sikkerheden, ydeevnen og dataeffektiviteten af ​​denne teknologi. Fokus er især på komplekse styresystemer og sikkerhedskritiske applikationer, der dækker væsentlige områder som elektriske energisystemer, autonom kørsel og robotteknologi. Ilmenau matematikprofessor Karl Worthmann vil lede grænsefladen mellem maskinlæring og matematisk præcision.

Forskningsprojektet, som er koordineret af Leibniz Universitet Hannover, startede i slutningen af ​​april med en international workshop. Næsten 3,5 millioner euro i finansiering vil blive stillet til rådighed for de næste fire år, hvoraf 486.400 euro går direkte til TU Ilmenau. Dette initiativ fremhæver maskinlæringens centrale rolle i udviklingen af ​​kunstig intelligens og de grænser, som traditionelle systemer når med hensyn til sikkerhedskrav under igangværende drift.

Integration i industrien

Et andet afgørende aspekt af den nuværende udvikling er integrationen af ​​maskinlæring i industrielle applikationer. Et nyetableret internt uddannelseskursus med titlen "Machine Learning for sikkerhedskritiske applikationer i industrien" har til formål at tage specifikke sikkerhedsprincipper i betragtning. Dette sker under hensyntagen til eksisterende og fremtidige standarder for kunstig intelligens samt branchespecifikke standarder.

Træningsdeltagere lærer om virkningerne af maskinlæring på funktionel sikkerhed. Dette omfatter også anvendelsen af ​​nøglebegreber som robusthed, bias og forudsigelsessikkerhed samt udvikling af en projektspecifik sikkerhedslivscyklus. Ingeniører, der har brug for at integrere kunstig intelligens i produktionsprocesser og levere sikkerhedsbeviser, er blandt målgruppen for denne uddannelse. Programmet giver en struktureret ramme og et omfattende værktøjssæt til sikker brug af maskinlæring.

Teknologisk grundlæggende

Det grundlæggende element, der understøtter maskinlæring, er neurale netværk, en delmængde af denne teknologi. Neurale netværk er stærkt inspireret af forbindelserne mellem nerveceller i den menneskelige hjerne. Disse kunstige netværk består af flere lag af dataknudepunkter, der er forbundet med vægtede forbindelser. Ved gentagne gange at præsentere data lærer det neurale netværk at klassificere informationen mere effektivt.

Justeringen af ​​vægtene mellem neuronerne sker kontinuerligt, hvilket gør den oprettede model anvendelig til ukendte data. En særlig type neurale netværk er de såkaldte "dybe neurale netværk". Disse netværk kan indeholde hundredtusinder eller endda millioner af lag af neuroner, hvilket gør det muligt at løse stadig mere komplekse problemer gennem dyb læring. Kontinuerlig træning og tilpasning af forbindelser er afgørende for disse læreprocessers succes.

Sammenfattende kan det siges, at det tekniske universitet i Ilmenau og dets partnere yder et væsentligt bidrag til videreudviklingen af ​​maskinlæring og dens sikre anvendelse på kritiske områder gennem innovative tilgange og træningsprogrammer.

For yderligere information om forskergruppen ved TU Ilmenau, besøg tu-ilmenau.de. Du kan finde detaljeret indsigt i intern træning på iks.fraunhofer.de og yderligere information om kunstig intelligens og neurale netværk på iks.fraunhofer.de.