Im Bereich „Künstliche Intelligenz“ entwerfen wir Softwaresysteme, die irgendeine Form von "intelligentem Verhalten" aufweisen - von der Wahrnehmung der Systemumgebung bis hin zu effektiven Entscheidungen auf rationale und autonome Weise ohne menschliches Eingreifen. Traditionell wurden Fähigkeiten im Zusammenhang mit Intelligenz wie Sprachverständnis, (logisches) Denken, Lernen und Entscheidungsfindung untersucht. Das ultimative Ziel ist es, sowohl vorhandenes Wissen ("Weltmodelle") in diese Softwareagenten einzubinden als auch sie in die Lage zu versetzen, aus den von ihnen wahrgenommenen Daten zu lernen und sich so kontinuierlich zu verbessern. Unsere Gruppe "Methoden der Künstlichen Intelligenz" konzentriert sich insbesondere auf Techniken, die es uns ermöglichen, kommerzielle und industrielle Anwendungsfälle der Künstlichen Intelligenz zu adressieren, wie z.B. Empfehlungssysteme für die maschinenbauliche Konstruktion, Lernen von Parametern für CFK-Anwendungen (carbonfaserverstärkte Kunststoffe) aus Simulationen und Beobachtungen und Optimierung nach Nutzerwünschen, z.B. in intelligenten Energiesystemen. Um diese Ziele zu erreichen, bedarf es einer Mischung aus maschinellem Lernen und Optimierungstechniken, die wir als unsere beiden zentralen Säulen aktiv beforschen.

Akademischer Rat (a. Z.)
Institut für Software & Systems Engineering
  • Raum 3015 (Gebäude N)

Aktuelle Themen

Machinelles Lernen für CFK

Die Herstellung von kohlenstofffaserverstärktem Kunststoff (CFK) ist mit einer hohen Varianz der Einsatzstoffe konfrontiert. Wir nutzen maschinelles Lernen, um Qualitätssicherung und Prozesskontrolle für z.B. Harzinjektionsverfahren zu gewährleisten.

Transferlernen

Da in industriellen Anwendungen des maschinellen Lernens ein großes Datenvolumen fehlt, kombinieren wir simulierte und reale Daten mittels Transferlernen.

Intelligente Prozessautomatisierung

Viele wiederkehrende Aufgaben während der Fertigung können mit datengesteuerten Methoden automatisiert und unterstützt werden. Wir untersuchen neue Ansätze zur Analyse von Artefakten aus der Konstruktion.

Lernen im Umfeld Industrie 4.0

Wir untersuchen zeitreihenbasierte Ansätze zur Klassifizierung und Regression, die für Anwendungsfälle im Bereich Industrie 4.0 wie beispielsweise Condition Monitoring, Predictive Maintenance und Predictive Control entscheidend sind.

Optimierung unter Einschränkungen

Diskrete Optimierungsprobleme können oft formalisiert und mit hohem Abstraktionsgrad modelliert werden, bevor sie an konkrete Löser gesendet werden. Die Gruppe entwickelt eine Modellierungssprache für weiche Einschränkungen, sogenannte Soft Constraints.

Projekte

CosiMo

Maschinelles Lernen für die effiziente Großserienfertigung von kohlefaserverstärkten Leichtkunststoffbauteilen

KOGNIA

Emfehlungssystem für das Konstruieren von CAD-Modellen

AICUT

Wir nutzen maschinelles Lernen, um Fehler bei der Zerspanung (z.B. Schleifen, Fräsen, Bohren) im industriellen Umfeld vorherzusagen.

Software engineering has played a crucial role in the advancement of AI over the last few years.

Dr. Nando de Freitas, Lead Scientist bei Google DeepMind, ehem. Professor an der Universität Oxford

DIENSTLEISTUNGEN

  1. Design, Entwicklung und Optimierung von maschinellen Lernsystemen
  2. Gemeinsame Forschungsprojekte in neuartigen Anwendungsbereichen der KI 
  3. Einführungsvorträge zu Künstlicher Intelligenz und maschinellem Lernen
  4. Optimierung unter weichen Einschränkungen

Team

Wissenschaftliche Mitarbeiterin
Institut für Software & Systems Engineering
Wissenschaftliche Mitarbeiterin
Institut für Software & Systems Engineering
Wissenschaftlicher Mitarbeiter
Institut für Software & Systems Engineering
Akademischer Rat (a. Z.)
Institut für Software & Systems Engineering
Institutsdirektor
Institut für Software & Systems Engineering

Institut für Software & Systems Engineering

Das Institut für Software & Systems Engineering, geleitet von Prof. Dr. Wolfgang Reif, ist eine wissenschaftliche Einrichtung in der Fakultät für Angewandte Informatik an der Universität Augsburg. Das Institut unterstützt sowohl Grundlagen- als auch angewandte Forschung in allen Bereichen der Software & Systems Engineering. In der Lehre ermöglicht es die weitere Entwicklung des relevanten Kursangebots von Fakultät und Universität.

Suche