Maschinelles Lernen

Fraunhofer SCAI entwickelt neue intelligente Methoden für das Maschinelle Lernen und passt Datenanalysemethoden an konkrete Anwendungsfälle an. SCAI greift das bei Anwendern vorhandene Wissen auf, strukturiert es und bringt es in mathematische oder semantische Konzepte ein, die als Domänenwissen in datengetriebene Modelle einfließen.

Zudem forscht SCAI an den mathematischen Grundlagen von Lernverfahren. Wir entwickeln neue Herangehensweisen, um Wissen aus Anwendungen zu integrieren, sowie Methodiken, um Erfahrungen strukturiert zu transferieren. Ferner arbeitet SCAI an der Skalierbarkeit von Datenanalyseverfahren.

Anwendungsgebiete:

 

Industrielle Produktentwicklung

SCAI entwickelt hier innovative maschinelle Lernmethoden, um die untersuchten komplexen physikalisch-technischen Phänomene zu verstehen.

 

Interpretation von Patientendaten

Mittels Text-Mining-Methoden ermöglichen die von SCAI entwickelten Verfahren einen schnellen und automatisierten Überblick über vorhandenes Wissen in der aktuellen medizinischen Fachliteratur.

 

Datengetriebenes Energiemanagement für Netze

Für das datengetriebene Energiemanagement von Netzen (Strom, Gas), Produktionsstätten und energieintensive Infrastruktur bietet SCAI Optimierungsverfahren sowie Werkzeuge zur Analyse von Sensordaten in Kombination mit Modellierung und Simulation.

 

High Performance Computing

Maschinelle Lernverfahren spielen eine wichtige Rolle bei der Analyse großer Datenmengen und für eingebettete Systeme, bei denen mit begrenzter Rechenleistung bestimmte Aufgaben zuverlässig gelöst werden müssen.

 

Innovatives Materialdesign

SCAI kombiniert und entwickelt im Ansatz des datengetriebenen virtuellen Materialdesigns Methoden und Werkzeuge des maschinellen Lernens, der Datenanalyse, der Multiskalen-Simulation und der hoch-dimensionalen Optimierung.