Die Technische Universität Ilmenau ist an einer Forschungsgruppe der Deutschen Forschungsgemeinschaft beteiligt, die maschinelles Lernen sicherer, leistungsfähiger und dateneffizienter machen will. Die ambitionierte Aufgabe: Die Herausforderungen speziell bei selbst lernenden komplexen Regelungssystemen und sicherheitskritischen Anwendungen zu meistern, zum Beispiel in elektrischen Energiesystemen, beim autonomen Fahren und in der Robotik. In dem Forschungsprojekt ist der Ilmenauer Mathematikprofessor Karl Worthmann dafür verantwortlich, maschinelles Lernen mit mathematischer Präzision zu verbinden. Das von der Leibniz Universität Hannover koordinierte und Ende April mit einem internationalen Workshop gestartete Forschungsprojekt wird von der Deutschen Forschungsgemeinschaft für vier Jahre mit knapp 3,5 Millionen Euro, davon 486.400 Euro für die TU Ilmenau, gefördert.
Maschinelles Lernen ist das Herzstück der Künstlichen Intelligenz. Robotik, Energietechnik und zahlreiche weitere Anwendungen könnten nicht funktionieren, ohne ständig hinzuzulernen. Aber wenn es um größtmögliche Sicherheit während des laufenden Betriebs geht, stoßen herkömmliche Systeme noch an ihre Grenzen, zum Beispiel beim autonomen Fahren oder im Zusammenspiel von Mensch und Maschine – mit möglicherweise fatalen Folgen.
Die DFG-Forschungsgruppe „Aktives Lernen für dynamische Systeme und Regelung – Dateninformativität, Unsicherheiten und Garantien (ALeSCo)“ will maschinelles Lernen komplexer dynamischer Systeme und deren Regelung dateneffizienter und zuverlässiger gestalten. Das Ziel der Wissenschaftlerinnen und Wissenschaftler: grundlegend neue Ansätze des aktiven Lernens zu entwickeln, bei denen der Lernprozess fortwährend beeinflusst wird: Was muss wann wie gelernt werden?
Professor Karl Worthmann, Leiter des Fachgebiets Optimizationbased Control der TU Ilmenau, ist im Projekt ALeSCo dafür verantwortlich, maschinelles Lernen mit mathematischer Präzision zu verbinden: Aus der Analyse des Informationsgehalts vorhandener Daten will Prof. Worthmann Garantien über die Regelgüte komplexer Systeme verifizierbar herleiten. Er ist überzeugt davon, dass innovative Ansätze von aktivem Lernen die Anwendung Künstlicher Intelligenz in komplexen dynamischen Systemen künftig nicht nur sicherer, sondern auch deren Leistungsfähigkeit weiter erhöhen werden: „Aktives Lernen und dessen theoretische Fundierung sind entscheidend, wenn wir die Dateneffizienz steigern möchten. So machen wir den Einsatz maschineller Lernverfahren flexibel und zuverlässig, auch und gerade in sicherkritischen Bereichen wie Energiesystemen und Robotik“
Maschinelles Lernen ist das Herzstück der Künstlichen Intelligenz. Robotik, Energietechnik und zahlreiche weitere Anwendungen könnten nicht funktionieren, ohne ständig hinzuzulernen. Aber wenn es um größtmögliche Sicherheit während des laufenden Betriebs geht, stoßen herkömmliche Systeme noch an ihre Grenzen, zum Beispiel beim autonomen Fahren oder im Zusammenspiel von Mensch und Maschine – mit möglicherweise fatalen Folgen.
Die DFG-Forschungsgruppe „Aktives Lernen für dynamische Systeme und Regelung – Dateninformativität, Unsicherheiten und Garantien (ALeSCo)“ will maschinelles Lernen komplexer dynamischer Systeme und deren Regelung dateneffizienter und zuverlässiger gestalten. Das Ziel der Wissenschaftlerinnen und Wissenschaftler: grundlegend neue Ansätze des aktiven Lernens zu entwickeln, bei denen der Lernprozess fortwährend beeinflusst wird: Was muss wann wie gelernt werden?
Professor Karl Worthmann, Leiter des Fachgebiets Optimizationbased Control der TU Ilmenau, ist im Projekt ALeSCo dafür verantwortlich, maschinelles Lernen mit mathematischer Präzision zu verbinden: Aus der Analyse des Informationsgehalts vorhandener Daten will Prof. Worthmann Garantien über die Regelgüte komplexer Systeme verifizierbar herleiten. Er ist überzeugt davon, dass innovative Ansätze von aktivem Lernen die Anwendung Künstlicher Intelligenz in komplexen dynamischen Systemen künftig nicht nur sicherer, sondern auch deren Leistungsfähigkeit weiter erhöhen werden: „Aktives Lernen und dessen theoretische Fundierung sind entscheidend, wenn wir die Dateneffizienz steigern möchten. So machen wir den Einsatz maschineller Lernverfahren flexibel und zuverlässig, auch und gerade in sicherkritischen Bereichen wie Energiesystemen und Robotik“
