Science meets Industry

Keynote

Dr. Erik Berger

Siemens AG

Dr. Erik Berger

“Real World Data Science“

“Optimized decision making which will never retire”

Diese Präsentation gibt einen Einblick wie die Digital Enterprise und Digital Services Gruppe der Siemens AG Techniken der Künstliche Intelligenz (KI) für die Implementation von Industrie 4.0 Aufgabenstellungen einsetzt. Dabei unterstützt die Siemens AG den kompletten Herstellungsprozess bspw. im Order/Sales Management, Human Resources Planning, Predictive Maintenance und der Qualitätssicherung. Neben einigen mathematischen Grundlagen gibt die Präsentation ebenfalls einen kurzen Einblick in die Funktion von neuronalen Netzen, Deep Learning und aktuellen interdisziplinären Digitalisierungsprojekten der Siemens AG.

 

Short CV

Dr. Erik Berger ist ein Data Scientist bei der Siemens AG im Bereich Digital Enterprise & Digital Services. Erik studierte Informatik an der Technischen Universität Freiberg und erhielt 2018 seinen Doktortitel für ein “Machine-Learning Verfahren für Roboter Selbstwahrnehmung” an welchem er mit Bernhard Jung und Heni Ben Amor arbeitete. Erik’s Forschungsschwerpunkte sind Künstliche Intelligenz, Maschinelles Lernen, Informationstheorie, Mensch-Roboter Interaktion und virtuelle/erweiterte Realität. Viele seiner mehr als 20 Publikationen erhielten Auszeichnungen auf anerkannten Robotik und KI Konferenzen. Außerdem ist er Reviewer für eine große Breite an internationalen Zeitschriften wie bspw. “Transactions on Robotics” und “Robotics and Autonomous Systems”. Derzeit arbeitet er an verschiedenen Projekten,bei welchen er seine Expertise in industriellen Aufgabenstellungen einbringt (bspw. Umsatzvorhersagen, Predictive Maintenance, virtuelle Sensoren und Decision Making).


Prof. Dr. Sebastian Stober

Otto-von-Guericke-Universität Magdeburg

Prof. Dr. Sebastian Stober

CogXAI - KI trainieren und verstehen mit Methoden aus den kognitiven Neurowissenschaften

Das Training tiefer künstlicher neuronaler Netze (KNNs), das sogenannte Deep Learning, hat sich innerhalb der letzten Jahre zu einer dominierenden Technik im maschinellen Lernen entwickelt. Sie übernehmen immer mehr wichtige Aufgaben und gewinnen an volkswirtschaftlicher Relevanz. Dabei hat auch ihre Komplexität erheblich zugenommen. Dies stellt eine enorme Herausforderung für die Erklärbarkeit gelernter Modelle und die Transparenz ihrer Entscheidungen dar, der bisher in der Forschung nur unzureichend Rechnung getragen wird. Für das menschliche Gehirn hingegen, das als eines der komplexesten bekannten Systeme überhaupt gilt und welches die Vorlage für die (stark vereinfachten) KNNs bildet, haben Neurowissenschaftler in den letzten 100 Jahren eine Vielzahl von Methoden entwickelt, um dessen Struktur, seine Funktionsweise und das damit verbundene Verhalten von Menschen zu studieren. Im Projekt CogXAI adaptieren wir daher solche Methoden, um komplexe KNNs zu analysieren. In diesem Vortrag präsentiert Prof. Stober erste Ergebnisse aus den Untersuchungen seiner Universität an Netzwerken zur Bild- und Sprachverarbeitung und gibt einen Ausblick auf weitere Entwicklungen.