Anwendungsgebiete des Maschinellen Lernens

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.

 

Maschinelles Lernen in der Finanzmathematik

Maschinelle Lernverfahren spielen in der Finanzmathematik eine wichtige Rolle. Sie ermöglichen schnellere und qualitativ bessere Analysen der Finanzdatenbestände für Investitionsentscheidungen. Auch können sie die Leistung und Nachhaltigkeit börsennotierter Unternehmen nach festgelegten Kriterien bewerten, etwa indem nur Aktien von Unternehmen berücksichtigt werden, die bestimmte Standards hinsichtlich ihres Umweltverhaltens erfüllen.

 

Industrielle Produktentwicklung

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

 

Data Mining in der medizinischen Forschung

 

Ein wichtiger Aspekt bei der Etablierung intelligenter Verfahren in der Medizin ist die effiziente Analyse hochdimensionaler Daten. SCAI kooperiert eng mit klinischen Forschern zur Strukturierung verschiedener Datenquellen mittels Text-Mining und zur integrierten Datenanalyse mit Hilfe von Machine Learning Verfahren.

 

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.

 

Digitale Zwillinge

Leistungsfähige Computer und kostengünstige digitale Sensorik haben die hardwareseitige Voraussetzung geschaffen, um Daten über den Zustand eines Produktionssystems im großen Umfang zu erfassen. Um diese Daten aber auch in Echtzeit für eine bessere Steuerung und Optimierung nutzen zu können, bedarf es komplexer digitaler Abbilder der zugrundeliegenden physikalischen Systeme. Dies führt zum Konzept des digitalen Zwillings.

 

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.

 

Prädiktive Wartung

Die prädiktive Wartung technischer Systemen mit Hilfe maschineller Lernverfahren wird für viele industrielle Anwendungen immer wichtiger. SCAI untersucht hier innovative Ansätze, die in der Erkennungsqualität und Robustheit über Standardverfahren hinausgehen.

 

Forschungszentrum Maschinelles Lernen

Ziel des Forschungszentrums Maschinelles Lernen im Fraunhofer Cluster of Excellence »Cognitive Internet Technologies« ist es, ML-Forschung in die Industrie zu transferieren.

 

Workshop "Machine Learning"

Hochschule Koblenz (Rhein-Ahr-Campus Remagen) und Fraunhofer SCAI planen Kooperation.

 

Broschüre

Machine Learning and HPC for Industrial Applications

 

Projekte

Projekte im Bereich des Maschinellen Lernens: