Das MAMMOth-Projekt konzentriert sich auf die Verringerung von Mehrfachdiskriminierung bei tabellarischen, Netzwerk- und multimodalen Daten. Mit Hilfe seiner Informatik- und KI-Experten will MAMMOth die damit verbundenen wissenschaftlichen Herausforderungen angehen, indem es eine innovative, auf Fairness ausgerichtete, datengesteuerte KI-Grundlage entwickelt, die die notwendigen Werkzeuge und Techniken für die Entdeckung und Abschwächung von (Mehrfach-)Diskriminierung bereitstellt und die Verantwortlichkeit von KI-Systemen in Bezug auf mehrere geschützte Attribute und für traditionelle tabellarische Daten sowie komplexere Netzwerk- und visuelle Daten sicherstellt. Das Projekt zielt darauf ab, die entwickelten Lösungen durch Pilotprojekte in drei relevanten Bereichen von Interesse zu demonstrieren: a) Finanz-/Kreditanwendungen, b) Identitätsüberprüfungssysteme und c) akademische Bewertung.

STELAR wird ein innovatives Knowledge Lake Management System (KLMS) entwerfen, entwickeln, evaluieren und präsentieren, um einen ganzheitlichen Ansatz für FAIR- (Findable, Accessible, Interoperable, Reusable) und KI-fähige (qualitativ hochwertige, zuverlässig beschriftete) Daten zu unterstützen und zu erleichtern. Das System wird in verschiedenen realen Anwendungsfällen im Agrar- und Lebensmittelbereich, einem der neun Datenbereiche von strategischer gesellschaftlicher und wirtschaftlicher Bedeutung, die in der Europäischen Datenstrategie identifiziert wurden, pilotiert.

Mit Hilfe des echtzeitfähigen Simulationsmodells eines digitalen Zwillings erforscht der SFB die Entwurfs- und Betriebsbedingungen von Offshore-Megastrukturen, wobei alle Lebensphasen einer Struktur abgebildet werden können. Dies ermöglicht eine reaktive und automatisierte Anpassung der Struktur und ihres Betriebs an aktuelle und zukünftige Bedingungen. Wir beteiligen uns am Projekt B01 "Integrierter Entwurfsprozess für Offshore-Strukturen" mit dem Ziel, ein Prognosemodell zur Vorhersage der Entwurfsqualität über den gesamten Lebenszyklus von Offshore-Strukturen zu entwickeln, das die Erfahrung und Intuition des Ingenieurs und des Experten durch geeignete ML-Methoden kombiniert.

Steigende Kundenanforderungen und der Trend zu kleineren Losgrößen haben zu einer erhöhten Komplexität im Produktdesign und der anschließenden Prozessplanung, z.B. von 5-Achs-Fräsoperationen, geführt. Daher werden Prozesssimulationen in der Industrie häufig zur Unterstützung der Prozessplanung eingesetzt. Insbesondere die Maßhaltigkeit ist für die meisten bearbeiteten Teile entscheidend, da sie sich direkt auf die Funktionalität auswirkt. Folglich werden bei der Endbearbeitung besonders hohe Anforderungen an die Oberflächentoleranzen gestellt. Trotz der oben erwähnten Simulationswerkzeuge sind manuelle Anpassungen, die sich auf das Expertenwissen von Arbeitern und Prozessplanern stützen, immer noch notwendig, um prozess- oder maschinenspezifische Abweichungen wie Werkzeugsteifigkeit oder Maschinendynamik zu bewältigen.

The core objective of NoBIAS is to research and develop novel methods for AI-based decision making without bias. NoBIAS will deliver a cohort of 15 researchers trained to identify biased and discriminating AI-decision making and able to provide solutions that reconcile and fully exploit AI while ensuring compliance with legal and social norms.

KI-Techniken, die auf Big Data und algorithmischer Verarbeitung beruhen, werden zunehmend als Entscheidungshilfe in wichtigen gesellschaftlichen Bereichen eingesetzt, z. B. bei Einstellungsentscheidungen, Hochschulzulassungen, Kreditvergabe und Kriminalitätsvorhersagen. Es gibt jedoch zunehmend Bedenken hinsichtlich der epistemischen und normativen Qualität von KI-Bewertungen und Vorhersagen. Unsere gemeinsame Forschungsfrage lautet: Wie können Standards für unvoreingenommene Einstellungen und nichtdiskriminierende Praktiken bei der Big-Data-Analyse und algorithmusbasierten Entscheidungsfindung erfüllt werden? Um uns dieser Frage zu nähern, werden wir philosophische Analysen der relevanten Konzepte und Prinzipien im Kontext von KI (Voreingenommenheit, Diskriminierung, Fairness) liefern, ihre angemessene Rezeption in den einschlägigen rechtlichen Rahmenwerken (Datenschutz-, Verbraucher-, Wettbewerbs-, Antidiskriminierungsrecht) untersuchen und konkrete technische Lösungen (Entschärfungsstrategien, Verfahren zur Erkennung von Diskriminierung usw.) entwickeln.

Übergeordnetes Ziel des Forschungsvorhabens ist die Entwicklung von Methoden zur effizienten und automatisierten Dauerüberwachung der Tragstruktur von Windenergieanlagen zur Erkennung von Schadensereignissen und Anomalien mittels Schallemissionsanalyse und innovativer Auswerteverfahren aus dem Bereich der Künstlichen Intelligenz (KI).

Ziel des Promotionsnetzwerks LernMINT ist die interdisziplinäre Ausbildung der Doktorandinnen und Doktoranden zu Expertinnen und Experten in einem Teilbereich der digitalen Bildung, dem datengestützten Lernen und Lehren in MINT-Fächern. In LernMINT gibt es fünf Themenbereiche: (1) Learning-Analytics-Methoden für die MINT-Lehre, (2) Datenbasierte Unterstützung von Lernpotenzialen, (3) Informelles Lernen in Schule und Hochschule, (4) Übergang von der Schule zur Hochschule, (5) Datenschutz und Fairness von Learning-Analytics-Methoden.