{"id":5001,"date":"2019-11-22T08:30:06","date_gmt":"2019-11-22T06:30:06","guid":{"rendered":"https:\/\/websites.fraunhofer.de\/audioblog\/?p=5001"},"modified":"2019-11-22T10:15:50","modified_gmt":"2019-11-22T08:15:50","slug":"kiss","status":"publish","type":"post","link":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/kiss","title":{"rendered":"KISS: Neues Projekt im Bereich K\u00fcnstliche Intelligenz"},"content":{"rendered":"<p><strong>Fraunhofer IIS und Friedrich-Alexander-Universit\u00e4t Erlangen-N\u00fcrnberg verbinden Forschung und Lehre, um maschinelles Lernen weiter zu verbessern <\/strong><\/p>\n<p><!--more--><\/p>\n<p>Die beiden Verbundpartner Fraunhofer IIS und Friedrich-Alexander-Universit\u00e4t Erlangen-N\u00fcrnberg vertiefen die Forschung auf dem Gebiet des maschinellen Lernens mit einem gemeinsamen Projekt. Am Institut entsteht ein KI-Labor im Bereich Systemdesign f\u00fcr maschinelles Lernen in Anwendungen der Signalverarbeitung, kurz KISS. Das Bundesministerium f\u00fcr Bildung und Forschung hat hierf\u00fcr einen entsprechenden Forschungsantrag bewilligt.<\/p>\n<p>Maschinelles Lernen findet in immer mehr Disziplinen Anwendung. Auch im Bereich der Signalverarbeitung k\u00f6nnen KI-basierte Algorithmen h\u00e4ufig bessere Ergebnisse erzielen als herk\u00f6mmliche Algorithmen. Das Projekt KISS erforscht neue Entwicklungswerkzeuge und Verfahren, um diese Algorithmen zu verbessern und auf verschiedenen Systemen schnell und effizient zu implementieren.<\/p>\n<p>KISS besch\u00e4ftigt sich mit der Frage, wie Trainingsdaten f\u00fcr k\u00fcnstliche Intelligenzen effizient erstellt werden k\u00f6nnen. So gibt es die M\u00f6glichkeit, Daten zu simulieren, die Daten selbstst\u00e4ndig aufzunehmen oder auf bestehende Datens\u00e4tze, etwa von Videoplattformen im Internet, zur\u00fcckzugreifen. Diese Datens\u00e4tze ben\u00f6tigen jedoch h\u00e4ufig sehr viel Speicherplatz. Ziel ist es, die technischen Herausforderungen so zu l\u00f6sen, dass Anwendungsprobleme mittels maschinellen Lernens gel\u00f6st und automatisiert in effiziente Implementierungen auf verschiedensten Zielarchitekturen, etwa Grafikkarten oder programmierbaren Chips, \u00fcberf\u00fchrt werden k\u00f6nnen.<\/p>\n<p>Zur Sicherstellung der Praxistauglichkeit werden die entwickelten Methoden an unterschiedlichen Anwendungen im Video-, Sprach- und Audiobereich getestet. Geeignete Konzepte sind dabei die Verarbeitung von ein- oder mehrkanaligen Mikrofonsignalen bei Mensch-Maschine-Schnittstellen oder eine bessere Signaltrennung bei H\u00f6rger\u00e4ten. Im Videobereich liegt der Fokus auf Algorithmen der optischen Umfelderfassung. Neuronale Netze k\u00f6nnen bessere Tiefenkarten bestimmen oder optische Oberfl\u00e4cheneigenschaften und Beleuchtungssituationen sch\u00e4tzen. Einsatzgebiet solcher Algorithmen sind die Film- und Medienbranche und Fahrassistenzsysteme.<\/p>\n<p>KISS verbindet Forschung und Lehre. So wird es Studierenden erm\u00f6glicht, im Rahmen des Projekts Praktika zu leisten oder ihre Abschlussarbeiten anzufertigen. Au\u00dferdem werden die am Institut gewonnen Erkenntnisse f\u00fcr verschiedene Vorlesungen der FAU aufbereitet. Dies stellt sicher, dass es in Deutschland auch in Zukunft ausreichend Experten im Bereich des maschinellen Lernens geben wird. Zus\u00e4tzlich sind Schulungsma\u00dfnahmen f\u00fcr Mitarbeiter von Unternehmen sowie wissenschaftliche Ver\u00f6ffentlichungen geplant. Der Austausch mit der \u00d6ffentlichkeit sorgt daf\u00fcr, dass die Forscher erfahren, welche Probleme die Industrie derzeit besch\u00e4ftigen und ihre Fragestellungen dementsprechend anpassen k\u00f6nnen.<\/p>\n<p>Weitere Informationen \u00fcber das Projekt finden Sie <a href=\"https:\/\/www.iis.fraunhofer.de\/de\/ff\/amm\/for\/kiss.html\" target=\"_blank\" rel=\"noopener noreferrer\">hier<\/a>.<\/p>\n<p>Headerbild \u00a9 fotomek \u2013 fotolia.de\/Fraunhofer IIS<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Fraunhofer IIS und Friedrich-Alexander-Universit\u00e4t Erlangen-N\u00fcrnberg verbinden Forschung und Lehre, um maschinelles Lernen weiter zu verbessern<\/p>\n","protected":false},"author":14,"featured_media":4994,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[106],"tags":[518,514],"class_list":["post-5001","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-forschung","tag-kiss-de","tag-kuenstliche-intelligenz"],"_links":{"self":[{"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/posts\/5001"}],"collection":[{"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/users\/14"}],"replies":[{"embeddable":true,"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/comments?post=5001"}],"version-history":[{"count":2,"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/posts\/5001\/revisions"}],"predecessor-version":[{"id":5003,"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/posts\/5001\/revisions\/5003"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/media\/4994"}],"wp:attachment":[{"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/media?parent=5001"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/categories?post=5001"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.audioblog.iis.fraunhofer.com\/de\/wp-json\/wp\/v2\/tags?post=5001"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}