Print

Sensor AI

Für die sensornahe KI sind Überlegungen notwendig, wie die verwendeten Methoden so vereinfacht werden können, dass sie am Sensor einsetzbar sind. In vielen Fällen sind Datenpunkte besonders dann interessant, wenn sie Veränderungen oder Anomalien gegenüber ihrer räumlichen oder zeitlichen Umgebung darstellen. Wir möchten daher Methoden zur Anomaliedetektion und zur Erklärbarkeit von Voraussagen neuronaler Netze, wie sie bereits in der Gruppe Maschinelles Lernen entwickelt werden, auf ihre Einsetzbarkeit am Sensor hin untersuchen und weiterentwickeln. Darauf aufbauend sind dann auch zweistufige Systeme denkbar, bei denen anomale Daten ausgewählt und im Bodensegment weiter untersucht (z.B. klassifiziert) werden.