Applied Artificial Intelligence (AAI)
KI ist längst in unserem Alltag angekommen. Doch wie beeinflussen selbstlernende Systeme unsere Gesellschaft?
Sie sucht uns aus unseren Bildermassen die schönsten Schnappschüsse, übernimmt die Auswertung komplexer Sensordaten in Fahrzeugen, ermöglicht immer bessere Prognosen für die Einspeisung aus erneuerbaren Energien und steigert die Effizienz in Produktionsprozessen. OFFIS erforscht und entwickelt in den Anwendungsbereichen Energie, Gesundheit, Verkehr und Produktion KI-basierten Lösungen für aktuelle und zukünftige Herausforderungen in einer digitalisierten Lebens- und Arbeitswelt, die vom reibungslosen Funktionieren immer komplexer werdender Infrastrukturen abhängt. Unter dem Sammelbegriff „künstliche Intelligenz“ verstehen wir dabei insbesondere Methoden und Verfahren aus dem maschinellen Lernen und verteilte, autonome und lernende Systeme.
Der Competence Cluster AAI greift alle Chancen und Risiken in den Bereichen Deep Learning und Machine Learning auf und bündelt die Kompetenzen des OFFIS in einer bereichsübergreifenden Forschungsstrategie.
Die Schwierigkeit bei der Entwicklung von Künstlicher Intelligenz besteht weniger darin, den Computern und Maschinen komplexe Berechnungen zu übertragen, die für Menschen intellektuell nur schwer zu lösen sind. Die weitaus größere Herausforderung ist es, den Computern das Lernen aus Erfahrung beizubringen, das den Menschen auszeichnet. Für den Menschen einfache Aufgaben können ein KI-System schnell an seine Grenzen bringen. Menschliche Fähigkeiten wie intuitives Handeln, soziale und emotionale Intelligenz sowie die Fähigkeit aus verschiedenen Sinneseindrücken ein Gesamtbild zu erzeugen, lassen sich nicht durch formale mathematische Regeln beschreiben.
Selbstlernende Systeme besitzen ein hohes Potenzial für verschiedene Anwendungsfelder. Sie können sich Wissen aneignen, relevante Beobachtungen aus großen Datenmengen herausfiltern, daraus logische Schlüsse ziehen und – wie am Beispiel des jahrtausendealten Go-Spiels eindrucksvoll demonstriert – sogar eigene Handlungsstrategien entwickeln. Künstliche Intelligenz erhält zunehmend in sicherheitskritischen Anwendungsbereichen Einzug, beispielsweise beim autonomen Fahren, in medizinischen Anwendungen oder in der dezentralisierten Energieversorgung. Die Erfüllung sicherheitsrelevanter Eigenschaften ist essentiell für den erfolgreichen Ansatz in entsprechenden Domänen.
Der Competence Cluster Applied Artificial Intelligence greift alle Chancen und Risiken in den Bereichen verteilter künstlicher Intelligenz, Deep Learning und Deep Reinforcement Learning auf und bündelt die Kompetenzen des OFFIS in einer bereichsübergreifenden Forschungsstrategie.
Deep Learning und Deep Reinforcement Learning
Deep Learning ist der Bereich des maschinellen Lernens, der sich auf sogenannte „tiefe“ neuronale Netze fokussiert. Seit einigen Jahren zeigt Deep Learning eine rasante Entwicklung mit erstaunlichen Erfolgen: Angefangen von der Gesichts- und Spracherkennung, die in unsere Mobiltelefonen Einzug gehalten hat, über Prädiktion für eine sichere Einbindung erneuerbarer Energien ins Stromnetz bis hin zum Predictive Maintenance und nachhaltigem Infrastrukturausbau. Nutzt man tiefe künstliche neuronale Netze als Strategiegeber für autonome Software-Agenten, spricht man vom Deep Reinforcement Learning. Mit dem Erlernen komplexer Strategien bei AlphaGo Zero ist Deep Reinforcement Learning nicht nur eine wichtige Wissenschaftsdisziplin mit eindrucksvollen Ergebnissen, sondern auch ein wichtiger Baustein in der angewandten Forschung geworden. OFFIS bündelt seine methodischen Kompetenzen im CC Applied AI, von der Bilderkennung über den nachhaltigen Infrastrukturausbau bis hin zu Methoden für erklärbare, sichere künstliche Intelligenz und bietet interne wie externe Schulungen an.
Verteilte Künstliche Intelligenz
Unter verteilter künstlicher Intelligenz versteht man (teil-) autonome Hardware- und Softwaresysteme, die miteinander kooperieren um Probleme zu lösen, die durch einzelne Komponenten nicht gelöst werden könnten. Diese sogenannten Agenten besitzen in der Regel eine individuelle Intelligenz zur Überwachung und Steuerung von technischen Prozessen, können mit anderen Agenten kommunizieren und sind in der Lage, situationsabhängig und flexibel verschiedene Organisationsformen auszubilden. Unter der Überschrift „Selbst-Organisation“ arbeitet OFFIS dabei insbesondere an naturinspirierten Verfahren zur heuristischen Optimierung in komplexen Systemen wie der Energieversorgung. Im Fokus der Forschungsarbeiten steht die agentenbasierte Selbst-Organisation von cyber-resilienten Smart Grids, die sich bei Störungen im Betrieb selbstständig stabilisieren und im Falle eines Blackouts die Versorgung eigenständig wieder aufbauen können. Zudem werden im OFFIS schon seit vielen Jahren energiewirtschaftliche Aspekte wie die selbst-organisierte Aggregation und Vermarktung der Flexibilität dezentraler Energieanlagen im Kontext von Virtuellen Kraftwerken untersucht.
KI in Kritischen Infrastrukturen
Fast alle unsere Kritischen Infrastrukturen sind heute Cyber-Physikalische Systeme (CPS). Hier arbeiten IT-Systemkomponenten und mechanische oder elektronische Systemkomponenten zusammen. Komplexe CPS finden sich heute in praktisch jedem Lebensbereich: von Fahrzeugen mit modernen Assistenzsystemen über industrielle Prozesssteuerung und Automatisierung bis hin zu digitalisierten Energiesystemen übernehmen IT-Komponenten immer wichtigere Aufgaben in sicherheitsrelevanten Anwendungen. Dem Einsatz von KI kommt dabei eine wichtige Rolle zu, da klassische Algorithmen nicht mehr in der Lage sind, komplexe Funktionen in diesen hochdynamischen Umgebungen zu realisieren. Beim Einsatz von KI gerade in sicherheitsrelevanten CPS stellen sich aber bislang nur unzureichend beantwortete Fragen: Wie kann ein korrektes Funktionieren einer KI garantiert werden? Wie können Entscheidungen von KI-basierten Systemen transparent und nachvollziehbar gemacht werden? Kann KI auch dazu beitragen, systemische Schwachstellen in sicherheitsrelevanten CPS zu identifizieren? Diesen Forschungsfragen geht OFFIS in den Competence Clustern Safety Relevant Cyber Physical Systems und Deep Learning nach und bringt dabei die ausgewiesene Expertise in der Analyse und dem Design sicherheitskritischer Systeme sowie das fundierte Methodenwissen im maschinellen Lernen zusammen.
Adversarial Resilience Learning
Kritische Infrastrukturen, die unsere Zivilisation stützen, werden immer komplexer. Sie überspannen Domänen, an deren Einbindung man früher nie dachte, und sehen sich neuen Gefahren ausgesetzt: Von volatilen Märkten, einem hohen Anteil dargebotsabhängiger Energieträger bis hin zu Cyber-Angriffen. Adversarial Resilience Learning ist eine neue Methodik der künstlichen Intelligenz zur Analyse und dem resilienten Betrieb komplexer, kritischer cyber-physischer Systeme.
Statt künstliche Intelligenz als potenzielle Gefahr für die Stabilität unserer Stromversorgung zu betrachten, drehen wir beim Adversarial Resilience Learning (ARL) den Spieß um: Zwei Agenten, Angreifer und Verteidiger, konkurrieren über die Kontrolle eines cyber-physischen Systems. Sie haben keine explizite Kenntnis von den Handlungen der Gegenseite, doch durch die Beobachtung der Effekte exploriert der Angreifer das System und deckt Schwachstellen auf, während der Verteidiger durch die Angriffe lernt, eine resiliente Betriebsführung zu gewährleisten. Durch das gegenseitige Lernen helfen die ARL-Agenten Konstrukteuren und Entscheidern, Schwachstellen im System und Schlupflöcher in Marktregularien zu finden, und Bedienmannschaften, auch in komplexer, schnell veränderlicher Informationslage das Netz zuverlässig zu führen.
Klicken Sie für detailliertere Informationen zum Adversarial Resilience Learning auf das Bild
Personen 
A
Dr. Ing. Larbi Abdenebaoui
E-Mail: larbi.abdenebaoui(at)offis.de, Telefon: +49 441 9722-730, Raum: Flx-S
B
Prof. Dr. techn. Susanne Boll
E-Mail: susanne.boll(at)offis.de, Telefon: +49 441 9722-213, Raum: O48
D
E
F
H
Dr. rer. nat. Stefanie Holly
E-Mail: stefanie.holly(at)offis.de, Telefon: +49 441 9722-732, Raum: Flx-E
K
L
Prof. Dr. rer. nat. Sebastian Lehnhoff
E-Mail: sebastian.lehnhoff(at)offis.de, Telefon: +49 441 9722-240, Raum: O50
M
Prof. Dr.-Ing. habil. Jorge Marx Gómez
E-Mail: jorge.marx-gomez(at)offis.de, Telefon: +49 441 798 - 4470, Raum: A4-3-315
O
Dr. rer. nat. Frank Oppenheimer
E-Mail: frank.oppenheimer(at)offis.de, Telefon: +49 441 9722-285, Raum: Flx-P
R
S
Dr. rer. nat. Tim Claudius Stratmann
E-Mail: Tim.Stratmann(at)offis.de, Telefon: +49 441 9722-431, Raum: Flx-P
T
Dr. rer. nat. Martin Tröschel
E-Mail: martin.troeschel(at)offis.de, Telefon: +49 441 9722-150, Raum: Flx-E
V
W
Projekte
A
AgenC
Automatische Generierung von Modellen für Prädiktion, Testen und Monitoring cyber-physischer Systeme
Laufzeit: 2022 - 2025D
DEER
Dezentraler Redispatch (DEER): Schnittstellen für die Flexibilitätsbereitstellung
Laufzeit: 2022 - 2025O
OptiPath
Optimierte Pfadplanung für komplexe und individualisierte Paketflüsse
Laufzeit: 2023 - 2025P
PLATON
Verteilte Rechenplattform für radarbasierte 3D-Umgebungserfassung im sicheren autonomen Fahren
Laufzeit: 2022 - 2025R
ReHOpE
Reduktion körperlicher Belastungen von Handwerksberufen durch optimierte Exoskelette
Laufzeit: 2022 - 2025 REMARK
Resilienz im digitalisierten Stromsystem: Toolbox zur Bewertung von Systemdienstleistungsmärkten
Laufzeit: 2022 - 2024 T
ThermoTwin
Laufzeit: 2022 - 2025
Publikationen
2024
A Coarse-to-Fine Method for Data-Efficient Collaborative Place Recognition
Furuno, Eike and Hein, Andreas and Stratmann, Tim C. and Pfingsthorn, Max; 2024 9th International Conference on Control and Robotics Engineering (ICCRE); 2024
Approximating Energy Market Clearing and Bidding With Model-Based Reinforcement Learning
Wolgast, Thomas and Nieße, Astrid; IEEE Access; 2024
Assessing machine learning methods for environmental performances
Lisa Dawel, Alexandra Pehlken, Lorenzo FrancescoGandini, Paolo Rosa; 06 / 2024
Benchmarking Tabular Data Synthesis for User Guidance
Maria F Davila R, Wolfram Wingerath, Fabian Panse; Proceedings of the Workshops of the EDBT/ICDT 2024 Joint Conference co-located with the EDBT/ICDT 2024 Joint Conference; 03 / 2024
Evaluating the Viability of Neural Networks for Analysing Electromyography Data in Home Rehabilitation: Estimating Foot Progression Angle:
Siegel, Finn and Buj, Christian and Merfort, Ricarda and Hein, Andreas and Aschwege, Frerk; Proceedings of the 17th International Joint Conference on Biomedical Engineering Systems and Technologies; 2024
Improving Work Skills in People with Disabilities in a Long-Term, In-Field Study on Robotic Tutors
Drolshagen, Sandra and Pfingsthorn, Max and Hein, Andreas; International Journal of Social Robotics; October / 2024
Keep the Human in the Loop: Arguments for Human Assistance in the Synthesis of Simulation Data for Robot Training
Liebers, Carina and Megarajan, Pranav and Auda, Jonas and Stratmann, Tim C. and Pfingsthorn, Max and Gruenefeld, Uwe and Schneegass, Stefan; Multimodal Technologies and Interaction; 2024
Learning the Optimal Power Flow: Environment Design Matters
Wolgast, Thomas and Nieße, Astrid; Energy and AI; August / 2024
Look Over Here! Comparing Interaction Methods for User-Assisted Remote Scene Reconstruction
Liebers, Carina and Pfützenreuter, Niklas and Prochazka, Marvin and Megarajan, Pranav and Furuno, Eike and Löber, Jan and Stratmann, Tim C. and Auda, Jonas and Degraen, Donald and Gruenefeld, Uwe and Schneegass, Stefan; Extended Abstracts of the 2024 CHI Conference on Human Factors in Computing Systems; 2024
mango: A modular python-based agent simulation framework
Rico Schrage and Jens Sager and Jan Philipp Hörding and Stefanie Holly; SoftwareX; 2024
