Projekte des KompZ KI @ UniBw M

Ziel ist, automatisiert ausgewählte (Lauf-) Apps zu überwachen und deren gesammelte Daten zu analysieren, mit Social-Media-Profilen zu korrelieren und Personencluster zu bilden, um potenzielle Ziele zu identifizieren und ihr Gefährdungspotenzial abzuschätzen.

Ziel des Projekts AISHA ist der Aufbau eines europäischen GenAI@EU Skills Hub als zentrale Anlaufstelle und öffentliches Interface der Akademie. Ergänzt wird dieser durch ein evidenzbasiertes Kompetenz- und Qualifikationsrahmenwerk (CCQF), akkreditierten Curricula, groß angelegte Ausbildungs- und Apprenticeship-Programmen, Sektorlabore sowie einen EU-weit abgestimmten Akkreditierungspilot.

Das Verkehrsnetz aus Straßen, Schienen und Brücken ist entscheidend für unsere Mobilität. In Deutschland sind Tausende von Brücken sanierungsbedürftig, was zu hohem Verkehrsaufkommen, Staus, Umweltverschmutzung, Klimaschäden und Verzögerungen in der Lieferkette führen kann.

Erforschung von Techniken des verstärkenden Lernens für einen rationalen Agenten, der auf der Grundlage eines formalen Designziels und patientenspezifischer Daten autonom vollständig maßgeschneiderte Designs für medizinische Implantate erstellt.

DICoS liefert einen Beitrag zur Weiterentwicklung der Kommunikationsarchitektur zwischen eingesetzten FÜWES und seinen jeweiligen Subsystemen, um Fähigkeiten schneller zur Verfügung zu stellen. Dafür wird untersucht, inwieweit sich statt statischer Schnittstellenbeschreibungen ein dynamischer Ansatz unter Nutzung von KI realisieren lässt, der den Anpassungsbedarf auf ein Minimum reduziert.

Ziel des Projekts ist es, digitales Lernen durch intelligente, hochwertige Aufgabenerstellung und skalierbare Unterstützungssysteme zu verbessern. Unser Team leitet das Zentrum für KI und Innovation und entwickelt Verfahren zur Generierung und Bewertung digitaler Aufgaben, für kontextbezogene Empfehlungen sowie für passgenaue Hinweise und Erklärungen für Studierende.

Das Ziel des Projekts ist die Entwicklung biometrischer Erkennungsalgorithmen auf Basis des Herzschlags der Personen. Die erforderlichen Elektrokardiogramm-Signale (EKG) werden mit einer speziell entwickelten Weste erfasst, wobei wir darauf abzielen, bei verschiedenen körperlichen Aktivitäten möglichst geringe Fehlerquoten zu erzielen, ohne die Privatsphäre der Personen zu beeinträchtigen.

Das Projekt „KiTIE“ entwickelt ein IT-basiertes Instrument zur Identifikation von Kooperationspartnern für außeruniversitäre Forschungseinrichtungen basierend auf Patentinformationen. Das Ziel ist es, eine effektive und effiziente Partnerfindung im Technologietransfer zu ermöglichen und eine transparente und eigenverantwortliche Beteiligung aller Akteure zu fördern.

Das Projekt „M-OR-E 2“ hat zum Ziel, Machine Learning-Ansätze zur Zeitreihenvorhersage für den Ersatzteilbedarf zu entwickeln und zu evaluieren. Hierfür werden ausgewählte Daten der Bundeswehr-Landfahrzeugflotte genutzt, um den Ersatzteilbedarf vorherzusagen. Ziel ist es, eine verbesserte Teileverfügbarkeit und somit eine optimierte Flottenbereitschaft mit AI-gestützen OR-Methoden (MORE „AI-OR“) zu erreichen.

Ziel ist die Detektion von Objekten, wie z. B. Flugzeugen, Schiffen und Fahrzeugen, in hochaufgelösten optischen Satellitenbildern (Auflösung bis 30 cm). Hierzu werden Methoden der KI, insbesondere Convolutional Neural Networks (CNNs) und Transformer verwendet.

Erforschung des Potenzials von auf maschinellem Lernen (ML) basierenden Lösern für nichtlineare Kontaktprobleme.

Transferlernen von SAR-Bildern mittlerer Auflösung zu SAR-Bildern hoher Auflösung.

Gegenstand der Studie ist die Untersuchung innovativer KI-Methoden für die Auswertung von hochauflösenden Satellitenbildern zu entwickeln und hinsichtlich ihrer Leistungsgrenzen zu bewerten. Der Schwerpunkt liegt dabei auf Radardaten, für die speziell angepasste KI-Modelle erforderlich sind. Zielsetzung ist insbesondere die rasche 3D-Rekonstruktion, die beispielsweise für eine rasante Änderungsdetektion eingesetzt werden soll.

Das Projekt RISK.twin befasst sich mit der Erforschung hybrider digitaler Zwillinge für die kritische technische Infrastruktur der Zukunft.

Im SFB/TRR 339 wird die Entwicklung des Digitalen Zwillings Straße durch interdisziplinäre Grundlagenforschung in Teilprojekten angestrebt.

Dieses Projekt verfolgt den Einsatz serviceorientierter Softwarearchitekturen, die eine hohe inhärente Flexibilität aufweisen, um die Anpassungsfähigkeit und Wartbarkeit der modellbasierten Regelung zu erhöhen. Ziel des Forschungsprojekts ist die wissenschaftliche Untersuchung, konzeptionelle Entwicklung, Implementierung und experimentelle Validierung einer serviceorientierten, modellbasierten Regelung.

Ziel des Projekts ist die Weiterentwicklung vertrauenswürdiger KI durch die Förderung multiattributiver Fairness für tabellarische, netzwerkbasierte und multimodale Daten. Unser Team entwickelt Methoden zur Identifikation, Minderung und Erklärung komplexer Bias- und Diskriminierungsformen, die aus der Interaktion geschützter Merkmale sowie aus zunehmender Datenkomplexität entstehen.

Das NATO-Projekt MASSAI entwickelt einen Entscheidungsrahmen für das Management von Massenunfällen an Sammelstellen mit Reachback-Funktion. Durch tragbaren Notfall-Ultraschall und mobile, computergestützte Tools werden Ersthelfer bei Triage, Re-Triage, Therapieentscheidungen und Evakuierung unterstützt. Das System ist für Terror- und Naturkatastrophen einsetzbar.

Ziel des Projekts ist der Aufbau einer umfassenden Daten- und KI-Infrastruktur durch die Entwicklung eines Knowledge Lake Management Systems, das FAIR-Daten (auffindbar, zugänglich, interoperabel, wiederverwendbar) und AI-ready-Daten (hochwertig, zuverlässig annotiert) bereitstellt – ein zentraler Schwerpunkt unseres Teams. Dadurch werden robuste und vertrauenswürdige KI-Anwendungen im Agrifood-Bereich ermöglicht.

Moderne KI-basierte Programme ermöglichen Usern, in nur wenigen Klicks täuschend echte Bilddaten zu generieren. Dadurch kommt es zunehmend zu Missbrauch, etwa für Desinformation oder Betrug. Das Projekt SynData setzt hier an: Es soll dazu beitragen, den zugrundeliegenden Generierungsprozess besser zu verstehen und gleichzeitig die Erkennung künstlich erzeugter Bilddaten zuverlässiger zu machen.

Das Projekt VIKING widmet sich der Erforschung vertrauenswürdiger KI-Methoden zur Textklassifikation. Aufgrund der umfangreichen Textdaten, die in der Polizeiarbeit untersucht werden, ist eine Unterstützung durch KI-Methoden erforderlich. Um die Vertrauenswürdigkeit der Methoden zur gewährleisten, werden Verfahren zur Analyse und Mitigation von Bias und zur Generierung von Erklärungen erforscht.

Dieses Projekt untersucht, wie künstliche Intelligenz die WHO bei der Entwicklung von Leitlinien und der Verbesserung von Evidenzüberprüfungen unterstützen kann. Es analysiert wichtige KI-Technologien, insbesondere maschinelles Lernen, Deep Learning, natürliche Sprachverarbeitung, generative KI und Expertensysteme, und identifiziert Tools, die die Datenanalyse, Entscheidungsfindung und Inhaltserstellung verbessern und gleichzeitig ethische, transparente und effiziente Gesundheitsberatungsprozesse gewährleisten können.