Lernlabor Künstliche Intelligenz
Lernlabor Künstliche Intelligenz
© iStock

ResearchLabs

Erleben Sie Ergebnisse aktueller Forschung und wie Sie die in eigene Anwendungen integrieren können.

© iStock

© unikyluckk/stock.adobe.com

Whitepaper MLOps

In unserem Whitepaper beschreiben wir mit dem Prozessschema MLOps einen technologischen und organisatorischen Ansatz, wie die Umsetzung eines Gesamtkonzeptes für die Integration von ML-Lösungen von der Forschung bis zum produktiven Einsatz im Unternehmen nachhaltig gelingen kann.

mehr Info

© unikyluckk/stock.adobe.com

ResearchLabs

Das KI-Weiterbildungszentrum soll Forschung, Schulung und Praxis in einem Dreiklang abdecken. Als Bindeglied dienen die KI-ResearchLabs, die als Hard- und Software-Plattformen den aktuellen Stand der KI-Technik abbilden. Sie stellen die Basis für die Forschung an den noch offenen Herausforderungen im KI-Kontext dar. Gleichzeitig bieten die ResearchLabs eine Lernumgebung, in der vielfältige Schulungen angeboten werden. Wir vermitteln nicht nur aktuelle Wisseninhalte, sondern ermöglichen das eigene Experimentieren und viele praktische Übungen zu unseren Schulungsthemen. Der Labor-Charakter sieht die Anpassung an unternehmenseigene Use Cases und deren Daten vor und ermöglicht somit auch den Einsatz im Co-Working Format des KI-Innovation Campus.  

Im Rahmen der Forschung werden ResearchLabs zu den Themen »Big Data«, »Predictive Maintenance«, »Edge/FPGA« und »MLOps« eingerichtet.

Whitepaper MLOps

© unikyluckk/stock.adobe.com

Wir geben in unserem Whitepaper "Machine Learning Operations (MLOps) - Prozesse für Entwicklung, Integration und Betrieb" einen Einblick in die heute verfügbaren Werkzeuge, die die Umsetzung der MLOps-Prozesse erleichtern. Damit die Umsetzung eines Gesamtkonzeptes für die Integration von ML-Lösungen von der Forschung bis zum produktiven Einsatz im Unternehmen nachhaltig gelingen kann, gehen wir besonders auf die notwendigen Prozesse, Verfahren und Werkzeuge ein. Zusätzlich werden für die zielgenaue Entwicklung, die schnelle Integration und den gesicherten Betrieb von ML-Technologien Leitlinien angeboten. Eingeflossen sind in das Whitepaper nicht nur aktuelle Forschungsergebnisse, sondern auch praktische Erfahrungen aus vielfältigen Projekten.

 

 

Die ReseachLabs

MLOps

 

Die Umsetzung von KI benötigt unterschiedliche Entwicklungsumgebungen: Trainieren / Testen + Anwenden. Bisher existiert jedoch kein Tool-Stack, der beide Umgebungen miteinander verknüpft. Im Research Lab MLOps erforschen wir Methoden und Techniken, die den nahtlosen Übergang zwischen beiden Umgebungen erlauben. Somit wird eine End-To-End ML Pipeline von der Entwicklung bis zur professionellen Anwendung ermöglicht.

 

Predictive Maintenance

 

Im Research Lab Predictive Maintenance werden aktuelle Methoden des Condition Monitorings erforscht. Dabei stehen insbesondere die algorithmische Zustandsüberwachung sowie die prädiktive Wartung von Maschinenanlagen im Fokus. Neben der Abbildung des aktuellen Stands der Technik in den Bereichen der Zeitreihenanalyse und Anomaliedetektion, fußt das Research Lab auf aktueller Forschung im Umgang mit stark verrauschten Daten sowie Daten mit Umwelteinflüssen.

Edge / FPGA

 

Ziel des Research Labs Edge/FPGA ist die Erforschung von KI-Methoden auf Hardwaresystemen mit eingeschränkten und eingebetteten Ressourcen. Erforscht wird dabei der Zusammenhang zwischen verteilten Lernverfahren unter Berücksichtigung von verfügbarer Performanz, Speicher und Energie der verwendeten Hardware. Die Lernverfahren decken dabei das Spektrum von einfacher linearer Regression bis hin zur Kombination verschiedener Verfahren zur Strategiebildung und Entscheidungsfindung ab.

Big Data

 

Die Überführung von KI-Experimentalumgebungen in Produktivumgebungen ist Mittelpunkt des Research Labs Big Data. Dies wird maßgeblich unter der Berücksichtigung der vorhandenen Architektur, der Verfügbarkeit von Datenquellen und priorisierten KI-Software-Engineering-Ansätze betrachtet. Im Ergebnis liegen differenzierte Konzepte zur Informationskonsolidierung heterogener Datenlandschaften vor.