News
Von Deep Learning bis Robotik: KI-Anwendungen mit Praxisbezug im Fokus
Wie lassen sich komplexe Datenstrukturen nutzbar machen? Welche Potenziale bieten KI-Agenten oder selbstlernende Robotersysteme für die Industrie? Diese und weitere Fragen bestimmten die vierte Ausgabe der KI-Netzwerkveranstaltung „Best Practice Digitalisierung & Künstliche Intelligenz für den Mittelstand“, zu der rund 90 Teilnehmende ins Future Lab Weiherhammer gekommen waren.
Gemeinsam organisiert von der LUCE-Stiftung, fortiss und dem Innovations- und Kompetenzzentrum Künstliche Intelligenz (IKKI) der OTH Amberg-Weiden, bot das Format erneut tiefgehende Einblicke in aktuelle Forschung und deren praktische Umsetzung im Mittelstand.
Nach der Begrüßung durch Severin Hirmer (LUCE-Stiftung), Prof. Dr. Clemens Bulitta (OTH Amberg-Weiden) und Dr. Wolfgang Köhler (fortiss) beleuchteten mehrere Fachvorträge aktuelle Entwicklungen und praxisnahe Anwendungen im Bereich der Künstlichen Intelligenz.
Ein Schwerpunkt lag auf dem Einsatz sogenannter KI-Agenten, die laut Severin Kacianka (fortiss) das Potenzial besitzen, betriebliche Abläufe grundlegend zu verändern und zu automatisieren.
Jan Schuster (TTZ Neustadt a.d. Waldnaab, OTH Amberg-Weiden) widmete sich dem Thema „Deep Learning im industriellen Wissensmanagement“. Im Kontext zunehmender Digitalisierung entstehen große Mengen heterogener Daten aus unterschiedlichen Domänen. Diese enthalten ein erhebliches, häufig implizites Informationspotenzial. Der Vortrag zeigte auf, wie Methoden des Deep Learning – insbesondere aus dem Bereich Natural Language Processing – genutzt werden können, um diese Daten systematisch zu erschließen, aufzubereiten und für spezifische Fragestellungen effizient nutzbar zu machen.
Tobias Lettner (IKKI, OTH Amberg-Weiden) stellte Ansätze zum „Autonomen multimodalen beobachtungsgesteuerten Policy Learning für Robotersysteme“ vor. Im Fokus stand das Lernen visuomotorischer Steuerungsstrategien auf Basis menschlicher Demonstrationen. Dabei wurden sowohl goal-conditioned Imitation Learning als auch reward-basiertes Deep Reinforcement Learning sowie hybride Verfahren betrachtet. Ziel dieser Ansätze ist die Entwicklung robuster, generalisierbarer und interpretierbarer Steuerungsstrategien für den Einsatz in variablen Umgebungen und bei neuen Aufgabenstellungen.
Neben den Fachvorträgen bot die Veranstaltung zahlreiche Gelegenheiten zum fachlichen Austausch. Die intensive Vernetzung in den Pausen sowie die offene, praxisorientierte Atmosphäre wurden von den Teilnehmenden sehr positiv aufgenommen. Die Veranstalter zeigten sich entsprechend sehr zufrieden mit der Resonanz und planen bereits eine Fortsetzung der Reihe im kommenden Jahr.
