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: E124
B
D
Maria Fernanda Davila Restrepo
E-Mail: maria.fernanda.davila.restrepo(at)offis.de, Telefon: +49 441 9722-744
E
F
Prof. Dr. Martin Fränzle
E-Mail: martin.fraenzle(at)offis.de, Telefon: +49 441 9722-500, Raum: D 119/120
H
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: O43
P
R
S
Dr. rer. nat. Tim Claudius Stratmann
E-Mail: Tim.Stratmann(at)offis.de, Telefon: +49 441 9722-431, Raum: O88
T
Dr. rer. nat. Martin Tröschel
E-Mail: martin.troeschel(at)offis.de, Telefon: +49 441 9722-150, Raum: E128
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 - 2025M
P
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
2022
AI-supported Natural Language Processing in project management -capabilities and research agenda
Helge F.R. Nuhn; Alfred Oswald; Agnetha Flore; Rüdiger Lang; IPMA 10th Research Conference 2022; Juni / 2022
Application of Recurrent Graph Convolutional Networks to the Neural State Estimation Problem
Alexander Berezin, Stephan Balduin, Thomas Oberließen, Eric Veith, Sebastian Peter, and Sebastian Lehnhoff; International Journal of Electrical and Electronic Engineering & Telecommunications; 2022
Choosing the right model for unified flexibility modeling
Brandt, Jonathan and Frost, Emilie and Ferenz, Stephan and Tiemann, Paul Hendrik and Bensmann, Astrid and Hanke-Rauschenbach, Richard and Nieße, Astrid; Energy Informatics; 2022
How can machine learning improve waste-to-energy plant operation
Alexandra Pehlken, Henriette Garmatter, Lisa Dawel, Fabian Cyris, Hendrik Beck, Fenja Schwark, Roland Scharf, Astrid Nieße; ICE IEEE; 2022
ILMICA - Interactive Learning Model of Image Collage Assessment: A Transfer Learning Approach for Aesthetic Principles
Withöft, Ani and Abdenebaoui, Larbi and Boll, Susanne; MultiMedia Modeling; 2022
Mit Künstlicher Intelligenz zu nachhaltigen Geschäftsmodellen – Nachhaltigkeit von, durch und mit KI
Boll, S., Schnell, M., Dowling, M., Faisst, W., Mordvinova, O, Pflaum, A., Rabe, M., Veith, E., Niesse, A., Gülpen, C., Terzidis, O., Riss, U., Eckerle, C., Manthey, S., Pehlken, A., Zielinski, O.; Februar / 2022
Sampling Strategies for Static Powergrid Models
Stephan Balduin. and Eric Veith. and Sebastian Lehnhoff.; Proceedings of the 12th International Conference on Simulation and Modeling Methodologies, Technologies and Applications - SIMULTECH,; 2022
The application of image recognition methods to improve the performance of waste-to-energy plants
Fenja Schwark, Henriette Garmatter, Maria Davila, Lisa Dawel, Alexandra Pehlken, Fabian Cyris, Roland Scharf; EnviroInfo 2022; 09 / 2022
2021
A Graph-Transformational Approach to Swarm Computation
Abdenebaoui, Larbi and Kreowski, Hans-Jörg and Kuske, Sabine; Entropy; 04 / 2021
A User-Centered Approach for Recognizing Convenience Images in Personal Photo Collections
Maszuhn, Matthias and Abdenebaoui, Larbi and Boll, Susanne; 2021 International Conference on Content-Based Multimedia Indexing (CBMI); 06 / 2021
