Prof. Dr. Stephan Scheele

Vision

Übergeordnete Vision ist die Entwicklung robuster, effizienter und nachvollziehbarer Methoden der Künstlichen Intelligenz sowie deren Transfer in industrielle Anwendungen.

Erklärbare KI und neurosymbolische Methoden

Ziel des Forschungsschwerpunkts ist die Entwicklung von Verfahren, die maschinelles Lernen mit wissensbasierten Techniken kombinieren, um KI-Entscheidungsprozesse verständlich und transparent zu machen. Dazu zählen insbesondere Methoden des Explanatory Interactive Machine Learning (AAIML), bei denen erklärbare KI (XAI) mit interaktiven, neurosymbolischen Ansätzen verknüpft wird. Auf diese Weise können menschliche Experten die Modellentscheidungen interpretieren, aktiv anpassen und durch kontinuierliches Feedback verbessern.

Ein zentraler Aspekt ist dabei die semantische Repräsentation von Hintergrundwissen: Durch den Einsatz von Ontologien, Knowledge Graphen und logikbasierten Kalkülen werden Daten nicht nur strukturiert, sondern auch mit logischen Informationen angereichert. Konstruktive Modallogiken erlauben zudem eine präzise Modellierung von dynamischem und unsicherem Wissen, welches insbesondere für Anwendungen mit variablen Rahmenbedingungen (z.B. in adaptiven Produktionsprozessen, dynamischen Lieferketten oder medizinischen Frühwarnsystemen) von besonderer Relevanz ist.

Aktuelle Forschungsarbeiten beschäftigen sich z.B. mit dem Einsatz der Verfahren im Process Mining, um verborgene Strukturen, Optimierungspotenziale und Automatisierungsmöglichkeiten zu identifizieren und eine fundierte Entscheidungsfindung zu ermöglichen.

Das Zusammenspiel von Large Language Models (LLMs) mit Hintergrundwissen und Interactive Machine Learning stellt einen weiteren aktuell erforschten Ansatz dar, der unter anderem in der Wirtschaftsprüfung zum Einsatz kommt. Ziel des Generative Data Storytellings ist es, aus umfangreichen Datensätzen und Domänenwissen kohärente, informative und ansprechende Narrationen zu erstellen, die sowohl Fachexperten als auch Anwender ansprechen und somit komplexe Datenanalysen in der Breite zugänglich und verständlich machen.

Energieeffizientes Machine Learning

Ein weiterer Forschungsbereich konzentriert sich auf die effizientere und nachhaltigere Gestaltung von maschinellem Lernen, um komplexe KI-Systeme auch auf Embedded-Plattform und mobilen Geräten einsetzbar zu machen. Die Zielsetzung ist die Entwicklung von Algorithmen, die trotz begrenzter Rechenressourcen und Energieverfügbarkeit eine hohe Leistungsfähigkeit aufweisen.

Die Forschungserkenntnisse finden direkte Anwendung in Sensorik, Condition Monitoring, Überwachungssystemen, Messtechnik und medizinischen Diagnosesystemen.