Auflistung nach Schlagwort "Maschinelles Lernen"
1 - 10 von 47
Treffer pro Seite
Sortieroptionen
- Textdokument1. Workshop Künstliche Intelligenz in der Umweltinformatik(INFORMATIK 2020, 2021) Abecker, Andreas; Bruns, Julian; Naumann, StefanIn den letzten Jahrzehnten hat die Umweltforschung begonnen, eine datengesteuerte Perspektive einzunehmen, die durch riesige Sensornetze, satellitengestützte Erdbeobachtung und einen fast allgegenwärtigen Internetzugang ermöglicht wird. Von einigen dieser datengestützten Ansätze wird erwartet, dass sie Visionen einer nachhaltigen Zukunft umsetzen können. Zum Beispiel, indem sie es ermöglichen, in nachhaltigen intelligenten Städten zu leben oder die Welt mit „Smarter Landwirtschaft“ zu ernähren. Oder indem man die Umweltverschmutzung oder die globale Entwaldung mit besserer Erdbeobachtung bekämpft. Es besteht jedoch eine Kluft zwischen einigen der derzeitigen Erwartungen, die in datengesteuerte Techniken gesetzt werden, und der Reife im Bereich des (räumlichen) Maschinellen Lernens und der Künstlichen Intelligenz. Im Workshop werden offene Forschungsfragen adressiert und Anwendungsbeispiele aus den Schnittfeldern von KI und Umweltanwendungen diskutiert.
- Textdokument2. Workshop Künstliche Intelligenz in der Umweltinformatik(INFORMATIK 2021, 2021) Abecker, Andreas; Bruns, Julian; Naumann, StefanIn den vergangenen Jahren konnte die Umweltforschung eine zunehmend datengesteuerte Perspektive einnehmen, weil immer leistungsfähigere In-situ-Sensorik mit telemetrischer Datenübertragung, riesige Sensornetze, satelliten- und drohnengestützte Erdbeobachtung und ein fast allgegenwärtiger Internetzugang technisch ganz neue Möglichkeiten eröffnen. Von einigen dieser datengestützten Ansätze wird erwartet, dass sie Visionen einer nachhaltigen Zukunft deutlich unterstützen können. Zum Beispiel, indem sie es ermöglichen, in nachhaltigen intelligenten Städten besser zu leben, die Menschheit mit intelligenterer Landwirtschaft besser zu ernähren, die Umweltverschmutzung oder weltweite Rodung von Wäldern mit besserer Erdbeobachtung zu bekämpfen, oder durch intelligente Steuerung von Prozessen und Vernetzung von Akteuren wichtige Menschheitsfragen wie die Umsetzung der Energiewende, die Realisierung der Kreislaufwirtschaft oder die Bekämpfung und den Umgang mit dem Klimawandel zu unterstützen. Im Workshop KIU werden in diesem großen Themenkomplex neue innovative Ideen vorgestellt, offene Forschungsfragen und Lösungsansätze diskutiert und Anwendungsbeispiele aus den Schnittfeldern von KI und Umweltanwendungen präsentiert.
- Textdokument3. Workshop Künstliche Intelligenz in der Umweltinformatik(INFORMATIK 2022, 2022) Abecker,Andreas; Bruns,Julian; Naumann,StefanIn den letzten Jahren werden die vom Menschen verursachten Umweltprobleme, wie Klimawandel, Verlust der Artenvielfalt, Verschmutzung der Meere usw. immer offenkundiger, in ihren negativen Auswirkungen für den Menschen immer dramatischer und ihr besseres Verständnis als Grundlage für kraftvolle Lösungsansätze wird immer bedeutender und drängender, wenn wir unsere gegenwärtige Lebensweise mit einem hohen Maß an materiellem Wohlstand und politisch-gesellschaftlicher Stabilität auch nur einigermaßen wahren wollen. Die Informatik und auch die Künstliche Intelligenz können und sollten eine hervorgehobene Rolle einehmen, wenn es darum geht, komplexe natur-, umwelt-, erd- und lebenswissenschaftliche Zusammenhänge besser zu erfassen, zu überwachen, zu verstehen und aus diesem Verständnis heraus effizientere und effektivere technische Lösungsansätze zum Umgang mit den großen Umweltproblemen zu entwickeln. In der KIU-Workshopreihe werden in diesem großen Themenkomplex neue innovative Ideen vorgestellt, offene Forschungsfragen und Lösungsansätze diskutiert und Anwendungsbeispiele aus den Schnittfeldern von KI und Umweltanwendungen präsentiert.
- Konferenzbeitrag4. Workshop Künstliche Intelligenz in der Umweltinformatik(INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Abecker, Andreas; Bruns, Julian; Naumann, StefanIm Rahmen des INFORMATIK FESTIVAL 2023 der Gesellschaft für Informatik (GI) e.V. im Herbst 2023 in Berlin findet die vierte Auflage des Workshops KIU zur Nutzung von Methoden der Künstlichen Intelligenz in der Umweltinformatik statt. In der KIU-Workshopreihe werden seit 2020 anwendungsorientiert und interdisziplinär innovative Beiträge der KI für wichtige Fragen von Umweltschutz und Nachhaltigkeit vorgestellt und diskutiert. Auch der vierte Workshop soll dabei helfen, eine deutschsprachige Wissenschafts- und Anwendungscommunity zu diesen Themen zu etablieren, um langfristig die Kreativität und die Wirkung dieses wichtigen Aufgabenfelds zu unterstützen.
- Konferenzbeitrag5. Workshop Künstliche Intelligenz in der Umweltinformatik(INFORMATIK 2024, 2024) Abecker, Andreas; Behrens, Grit; Naumann, Stefan; Willenbacher, MartinaIm Rahmen des INFORMATIK FESTIVAL 2024 der Gesellschaft für Informatik (GI) e.V. im Herbst 2024 in Wiesbaden findet die fünfte Auflage des Workshops KIU zur Nutzung von Methoden der Künstlichen Intelligenz in der Umweltinformatik statt. In der KIU-Workshopreihe werden seit 2020 anwendungsorientiert und interdisziplinär innovative Beiträge der KI für wichtige Fragen von Umweltschutz und Nachhaltigkeit vorgestellt und diskutiert. Auch der fünfte Workshop soll dabei helfen, eine deutschsprachige Wissenschafts- und Anwendungscommunity zu diesen Themen zu etablieren und konsolidieren, um langfristig die Kreativität und die Wirkung dieses wichtigen Aufgabenfelds zu unterstützen.
- TextdokumentAbbildung kognitiver Fähigkeiten mit Metamodellen(INFORMATIK 2017, 2017) Hirt, Robin; Kühl, NiklasDie Abbildung kognitiver Fähigkeiten in der Informatik erfreut sich im Rahmen von Forschungsbestrebungen in den Bereichen der künstlichen Intelligenz, des maschinellen Lernens und der Mensch-Maschine-Interaktion gesteigerter Popularität. In diesem Beitrag zeigen wir die Möglichkeiten von Metamodellen auf, um kognitive Fähigkeiten mit maschinellem Lernen nachzubilden. Dafür präsentieren wir drei unterschiedliche Klassifizierungsmodelle, die jeweils verschiedene Perspektiven – analog zu menschlichen Sinnen – mit einbeziehen und zeigen, wie sich die Klassifizierung durch eine kognitive Aggregation mit Metamodellen dieser Perspektiven von 70% (reine Textklassifizierung) auf über 80% (Metaklassifizierung) nach F1-Metrik verbessert. Metamodelle können daher eine gute Grundlage für das Abbilden kognitiver Fähigkeiten sein und in Zukunft eine vielversprechende Erweiterung von einschichtigen maschinellen Lernverfahren darstellen.
- TextdokumentAI Unplugged – Wir ziehen Künstlicher Intelligenz den Stecker(Informatik für alle, 2019) Seegerer, Stefan; Lindner, Annabel; Romeike, RalfAufgrund seiner großen Bedeutung in Medien, StartUp-Welt und der Digitalstrategie der Bundesregierung wird das Thema Künstliche Intelligenz (KI) auch für die Schule zunehmend relevant. Bisher sind Ansätze, die KI abseits von Programmierung für Schülerinnen und Schüler erlebbar machen, rar. Um dem zu begegnen, wurde eine Sammlung verschiedener Unplugged Aktivitäten rund um KI entwickelt, die das Thema greifbar macht und auch als Unterrichtssequenz verwendet werden kann. Unplugged stellt Aktivitäten bereit, die Ideen und Konzepte der Informatik ohne Computer ergründen. Die Aktivitäten beleuchten wichtige Konzepte des Themas KI und ermöglichen, der Künstlichen Intelligenz zugrunde liegende Ideen zielgruppengerecht zu vermitteln. Zudem bieten sie Ansatzpunkte, um gesellschaftliche Fragen der KI zu diskutieren. Dieser Beitrag beschreibt die Aktivitäten und deren theoretische Hintergründe, skizziert einen möglichen Unterrichtsverlauf und schildert konkrete Praxiserfahrungen von AI Unplugged.
- ZeitschriftenartikelAuswirkungen der Medizinprodukteverordnung auf ML-Lösungen in Schweizer Spitälern(HMD Praxis der Wirtschaftsinformatik: Vol. 61, No. 2, 2024) Russ, Christian; Stalder, Philipp H.; Rufinatscha, Stefanie; Pimentel, Tibor; Geissmann, LukasKünstliche Intelligenz (KI) ist schon länger in den Spitälern direkt und indirekt präsent. Oftmals ist KI für Arbeitsplatzfunktionen im Bürobereich wie z. B. in Spracherkennungssoftware verfügbar, teilweise auch in Personal- und Ressourcen-Optimierungssoftware. Das Spektrum reicht speziell im medizinischen Bereich von datengetriebenen Analysen und Informationsunterstützungssystemen bis hin zur Generierung von Diagnose- und Therapievorschlägen für das medizinische Personal. Jedoch sind vielen Akteuren in den Spitälern der Umfang und die Auswirkung von KI-Technologien gar nicht wirklich bewusst. Noch weniger bekannt sind dabei die regulatorischen Vorgaben in Kombination mit dem Einsatz von Maschinellem Lernen (ML). Basierend auf einer repräsentativen Befragung von allgemeinen Spitälern in der Schweiz wurde der aktuelle Stand der KI-Nutzung erhoben. Auf dieser Basis werden die Anforderungen an ML-Systeme in Bezug auf die Medizinprodukteverordnung und deren Auswirkung in Hinblick auf den konformen Einsatz von medizinischer Software analysiert. Wir präsentieren einen Vorschlag, wie ML-Systeme besser mit den Regulatorien in Einklang gebracht werden können. Im Ausblick wird auf die möglichen Grenzen und Notwendigkeiten für zukünftige Weiterentwicklungen eingegangen. Artificial intelligence (AI) has been present in hospitals directly and indirectly for some time. Often AI is available for workplace functions in the office area, such as speech recognition software, and in some cases also in personnel and resource optimization software. In the medical field, specifically, the spectrum ranges from data-driven analyses and information support systems to the generation of diagnostic and therapeutic suggestions for medical personnel. However, many players in hospitals are not aware of the scope and impact of AI technologies. What is not well known are the regulatory requirements in combination with the use of machine learning (ML). Based on a representative survey of general hospitals in Switzerland, the current state of AI usage was determined. On this basis, we analyze the requirements for ML systems with respect to the Medical Device Regulation and their impact with respect to the compliant use of medical software. We present a proposal on how ML systems can be brought more in line with regulations. In the concluding outlook, the possible limitations and necessities for future developments are discussed.
- TextdokumentAutomatische Transformierung multilingualer Spracheingaben in Datenbankabfragen(SKILL 2022, 2022) Franzen, MarcelModerne Datenbanksysteme gelten als eine fundamentale Innovation, um die immer größer werdenen Datenmengen speichern-und verwalten zu können. Da die meisten Menschen jedoch kein Wissen über Datenbanksprachen wie SQL besitzen, existiert eine Barriere zwischen ihnen und den Vorteilen, die eine Datenbank bietet. Um die Nutzung von Datenbanken zu vereinfachen, werden im Rahmen dieser Arbeit SQL-Abfragen auf Basis einer Fragestellung und dem Datenbankschema in Form der Spaltennamen erzeugt. Hierzu werden mehrere Neuronale Netze eingesetzt, die einzelne Teile der SQL-Abfrage vorhersagen. Darüber hinaus wird die Verwendung von multilingualen Worteinbettungen zur Repräsentation der Frage und Tabellenspalten untersucht. Durch die Nutzung der Worteinbettungen können auch Synonyme auf die Spaltennamen abgebildet werden und die im Trainingsprozess verwendete Sprache wird irrelevant. Die Ergebnisse zeigen, dass das entstandene Modell sowohl tabellenunabhängig als auch sprachunabhängig funktioniert. Demnach erfordert die Nutzung einer Datenbank nur noch wenig Wissen über das Datenbankschema und die Sprache der Spaltennamen.
- KonferenzbeitragAutomatische Unterscheidung von Verhaltensmustern bei Schweinen auf der Basis von Anomalieerkennung durch ein neuronales Konvolutionsnetzwerk(40. GIL-Jahrestagung, Digitalisierung für Mensch, Umwelt und Tier, 2020) Wutke, Martin; Gültas, Mehmet; Traulsen, Imke; Schmitt, Armin O.Die automatisierte Erfassung und Klassifizierung spezifischer Verhaltensmuster von Hausschweinen ermöglicht die Untersuchung unterschiedlicher Einflussfaktoren in den Haltungsbedingungen. Vor allem die Analyse von Videoaufnahmen von Tieren stellt bestehende Ansätze vor Herausforderungen, da die beobachtbaren Verhaltensmuster keiner bestimmbaren Verteilung zu folgen scheinen. Die präsentierte Methode verwendet einen Machine-Learning-Algorithmus, um das Aktivitätsniveau verschiedener Schweinegruppen auf Basis von Videoaufnahmen zu bestimmen. In einem ersten Schritt wird ein neuronales Netzwerk darauf trainiert, Anomalien in Form von unerwarteten Aktivitäten in den Videodateien zu detektieren. Anhand der erzielten Ergebnisse wird in einem zweiten Schritt ein Klassifizierungsalgorithmus entwickelt, wodurch ein standardisierter Vergleich unterschiedlicher Videosequenzen ermöglicht wird.