Motivation
Der rasante Fortschritt bei Maschinellem Lernen, Künstlicher Intelligenz (KI), Neurowissenschaften sowie weiteren verwandten Feldern ebnet den Weg für die Realisierung komplexer, verteilter und intelligenter Systeme. Intelligente Anwendungen wie autonomes Fahren oder automatisierte Hautkrebsscreenings sind eingängig und können mit relativ geringen Mitteln prototypisch umgesetzt werden. Insbesondere beim autonomen Fahren zeigt sich aber, wie schwierig es ist, solche Anwendungen in den Alltagsbetrieb zu überführen. Die Anforderungen an Fehlertoleranz und Leistung des Gesamtsystems sind bei Systemen mit KI weitaus schwieriger zu erfüllen, als es die Prototypen vermuten lassen.
Ziele und Vorgehen
Das Projekt KISS erforscht neue Entwicklungswerkzeuge, um KI-basierte Algorithmen der Signalverarbeitung zu verbessern und dann mit Hilfe von Computern zu realisieren. Die dadurch reduzierten Entwicklungszeiten versprechen verbesserte oder gar völlig neue Produkte und Dienstleistungen für die Mobilität, Kommunikation und Unterhaltung. Zur Erreichung dieser Ziele werden die anzuwendenden Algorithmen mit hohem Abstraktionsniveau in sogenannten semantischen Modellen modelliert, welche dann computerunterstützt vereinfacht und auf unterschiedliche Zielplattformen übertragen werden können. Außerdem werden Konzepte bereitgestellt, mit denen Trainingsdaten aus vorhandenen Datenpools und Simulationsumgebungen gewonnen werden können. Zur Sicherstellung der Praxistauglichkeit werden diese Methoden an unterschiedlichen Video-, Sprach- und Audioanwendungen getestet, wie z.B. der optischen Umfelderfassung oder der Verbesserung der akustischen Mensch-Maschine-Schnittstelle.
Innovationen und Perspektiven
Die Verwertung der erzielten Ergebnisse soll einerseits über das Angebot von Schulungs- und Ausbildungsmaßnahmen sowie wissenschaftlichen Veröffentlichungen erfolgen. Andererseits sind F&E-Dienstleistungen und Lizenzierungen geplant, welche auf den entwickelten Methoden und Werkzeugen basieren. Die erzielten Ergebnisse aus der Forschung werden mittels universitärer Lehre und industrieller Weiterbildung an alle relevanten Interessenten weitergegeben. Dies umfasst einerseits die Generierung von Trainingsdaten, und andererseits die effiziente Umsetzung und Optimierung von Endsystemen, welche aus unterschiedlichen Recheneinheiten wie beispielsweise Grafikkarten oder programmierbaren Chips bestehen. Durch die Kombination von klassischen Verfahren mit Methoden des maschinellen Lernens wird einerseits die Anwendbarkeit erhöht und andererseits die Einstiegshürden für Industrieunternehmen gesenkt.