Trustworthy AI

Verfügbare Abschlussarbeiten (Bachelorarbeit, Masterarbeit), Forschungs- und Projektmodule sowie Tutor- und HiWi-Jobs finden Sie auf dieser Webseite oder am schwarzen Brett der Professur (gegenüber von Raum 3003-N sowie neben Raum 3079-N).

 

Die Arbeiten stellen wir interessierten Studierenden gerne auf Anfrage persönlich vor. Die Themen entstammen in erster Linie unseren Forschungsschwerpunkten bzw. unseren nationalen und internationalen Projekten. Gerne können aber auch eigene Ideen und Ansätze eingebracht werden. Bei Interesse wenden Sie sich bitte an den jeweiligen Ansprechpartner.

Abschlussarbeiten & Forschungs-/Projektmodule

 

Themengebiet „Certifiable AI in Medicine“

 

Motivation

Es ist erstaunlichen Ergebnissen zu verdanken, dass KI immer mehr in das Zentrum der Aufmerksamkeit rückt und in immer mehr Domänen Einzug hält - auch in der Medizin. Doch dank des "Schwarze-Kiste" Charakters tiefer neuronaler Netze ist noch so einiges an Forschung durchzuführen, bis intelligente Systeme Normalität werden können und wir präziser garantieren können, dass diese intelligenten Algorithmen im Einklang mit unseren europäischen Werten "handeln", festgehalten im EU AI Act. Wie können wir nun aus technischer Sicht Methoden und Werkzeuge kreieren, die den Zertifizierungsprozess bestmöglich unterstützen?

 

Aufgabenstellung

Das Hauptziel besteht darin, "Auditing einfach zu machen" und konkrete Anweisungen für die domänen-angepasste Umsetzung spezifischer Anforderungen in Zusammenhang mit zertifizierbarer KI in der Medizin zu geben, wobei die Bedürfnisse der verschiedenen Interessengruppen und die Konsequenzen spezifischer Designentscheidungen berücksichtigt werden. Mit Ausblick auf (teilweise) Automatisierung sind die Schritte auf den gesamten Lebenszyklus bezogen, analog zur ISO Prozess-Sicht.
 

AnsprechpartnerIn

Miriam Elia

 

 

 

 

Themengebiet „Trustworthy AI in Medicine“

 

Motivation

Wie allseits bekannt sind intelligente Systeme die heute entwickelt werden nicht fehlerhaft, sondern können "illusionieren" oder gar "diskriminieren", weshalb deren Anwendung immer bewusst geschehen sollte. Zu den wohl bekanntesten Herausforderungen zählen Bias und Robustheit, sowie Generalisierungsfähigkeit des trainierten Modells. Einen Weg zu transparenten Entscheidungen zu finden ist jedoch Voraussetzung für eine vertrauensvolle Integration der KI-basierten Anwendung in ihrem jeweiligen Kontext, vor allem in sicherheitskritischen Bereichen, wie der Medizin. Dabei sollte Bedacht werden, dass vor allem die verwendeten Daten und deren Verteilung, sowie Struktur einen großen Beitrag zum stärkeren Verständnis des Modell-Verhaltens bieten. 

 

Aufgabenstellung

Hierunter fallen alle Forschungsansätze, die auf irgendeine Art und Weise zu einer Verbesserung des Verständnisses des Modell-Verhaltens beitratgen. Diese können an allen Prozess-Schritten der Machine Learning Pipeline ansetzen, von den Daten über die Modell-Entwicklung und Deployment bis hin zu Fragen des "lebens-langen" Monitorings und einer fundierten Stilllegung des Systems.
 

AnsprechpartnerIn

Miriam Elia

 

 

 

 

Thema „Active Learning“

Active Learning Cycle

Motivation

Für Deep Learning Projekte wird üblicherweise ein großer Satz annotierter Daten benötigt. Im Bereich der Medizin müssen diese Annotationen normalerweise manuell erstellt werden, was sehr kostspielig ist. Im Rahmen des LIFEDATA Forschungsprojekts wird ein Framework entwickelt, welches mittels Active Learning und Semi Supervised Learning den manuellen Aufwand reduzieren soll.

 

Aufgabenstellung

Das Forschungsprojekt findet in Kooperation mit Corpuls statt, so dass verschiedene Aufgaben an der Uni oder in der Firma erarbeitet werden können. Für Details bitte Kontakt aufnehmen

 

 

Ansprechpartner

 

 

 

Themengebiet „Einbindung von Adaptives Lernen in aktuelle Industrieprozesse“

 

Motivation

Innerhalb der Strategien zur Transformation hin zu Industrie 4.0 ist die Einbettung der Automatisierung durch neuronale Netze unerlässlich. Immer häufiger werden hochanpassbare und datenintensive Architekturen eingesetzt, die im interaktivem Zusammenspiel mit Domänenexperten eine kontinuierliche Optimierung erreichen. Durch die dynamischen Modelle können neue Daten und Konzepte in Echtzeit implementiert werden, ohne den produktiven Prozess zu beschränken. Adaptives Lernen kann als Sammelbegriff für dynamische Lernmethoden verstanden werden, die wiederum die vielseitig verbreiteten Methoden des Aktiven- und Online-Lernens umfassen. Im Bereich der industriellen Prozessoptimierung kann adaptives Lernen dazu beitragen den Domänenexperten in einer interaktiven sowie effektiven Weise in den KI Lern- und Produktionsprozess miteinzubeziehen.

 

Aufgabenstellung

Das Forschungthema untertüzt die aktuellen Projekte des KI-Produktionsnetzwerks Augsburg. Derzeitige Themen beziehen hauptsächlich auf die Einbindung des Menschen in den KI Produktionsprozess in der automatisierten und zerstörungsfreien Qualitätssicherung. Für Details bitte Kontakt aufnehmen.

 

Ansprechpartner

 

 

Hiwi oder Tutoren Stellen

Derzeit sind keine Stellen verfügbar.

 

 

Suche