Datenanalyse und Künstliche Intelligenz

In unserem Bereich »Analytics und Computing« entwickeln wir Methoden und Algorithmen zur Analyse großer, komplexer Datenmengen – interdisziplinär aus Mathematik, Statistik und Informatik. Dabei kombinieren wir bewährte statistische Verfahren mit modernen Ansätzen aus Künstlicher Intelligenz und Machine Learning. In enger Zusammenarbeit mit Expertinnen und Experten aus unterschiedlichen Anwendungsfeldern – etwa Gesundheit, Automobilindustrie oder Produktion – entstehen Lösungen zur Datenanalyse und Visualisierung, die wissenschaftlich fundiert und zugleich praxisnah einsetzbar sind.

Gleichzeitig arbeiten wir daran, KI- und Machine-Learning-Modelle effizienter, robuster und skalierbar zu machen. Denn steigende Modellkomplexität verlangt nach leistungsfähiger Infrastruktur und klugen Optimierungsstrategien. Mit Hochleistungsrechnern und GPU-Clustern wie »Styx« sowie HPC-Technologien (u. a. BeeGFS und GPI) entwickeln wir verteilte und skalierbare Verfahren, die rechenintensive Lernprozesse beschleunigen, etwa durch optimierte und asynchrone Trainingsmethoden. So schaffen wir die Grundlage, KI-Lösungen zuverlässig in realen Anwendungen nutzbar zu machen.

Künstliche Intelligenz und High Performance Computing

Ausgewählte Projekte und Dienstleistungen des Schwerpunktes

 

Projekt »OptimAIse«

Europäisches Framework für vertrauenswürdige Generative KI

Generative KI, Large Language Models und europäische KI-Hardware

 

Projekt »STANCE«

Einsatz Spiking und neuromorpher Technologie

Strategic Alliance for Neuromorphic Computing and Engineering

 

Projekt »Carme«

Maschinelles Lernen mit HPC-Back-End kombinieren

Open-Source Multi-User Softwarestack Carme für interaktives Maschinelles Lernen

 

Projekt »DLseis«

Deep Learning für groß-skalige seismische Anwendungen

Neuronale Netze für die seismische Datenbearbeitung und Interpretation

 

Projekt »NASE«

KI-Agent für multikriterielle Hardwareoptimierung von KI-Modellen

Neuronale Architektursuche mit Hardware in the Loop

 

Projekt »Fed-DART«

Dezentrales Machine Learning, das Datenschutz gewährleistet

Distributed Analytics Runtime for Federated Learning

Datenanalyse

Ausgewählte Projekte

 

Projekt »SafeClouds«

Verteilte Infrastruktur zur Datenanalyse in der Luftfahrt

Europaweite Datenplattform zur KI-gestützten Analyse von Luftverkehrsdaten 

 

Projekt »CIT«

Kognitive Internet-Technologie

Kognitive Internet- und KI-Technologien zur intelligenten Vernetzung und Nutzung von IoT-Daten für industrielle Anwendungen.

 

Projekt »FACT«

Federated Aggregation and Clustering Toolkit

Machine-Learning-Modelle trainieren, ohne dass Daten zentralisiert oder zusammengeführt werden müssen.

Vergangene Projekte

TensorQuant

Mit unserem Softwaretool TensorQuant simulieren Entwickler Deep-Learning-Modelle mit beliebigen Zahldarstellungen und Rechengenauigkeiten.

DeTol

Im BMBF-Projekt »Deep Topology Learning« (DeTol) werden durch datengetriebene Entwurfsalgorithmen der Entwurfsprozess für Deep-Learning-Lösungen beschleunigt und vereinfacht.

GAIA-X 4 KI

Im BMKW-Projekt »GAIA-X 4 KI« entwickeln wir gemeinsam mit 14 Partnern ein Ökosystems aus Daten und Diensten, die das Trainieren und Validieren von Anwendungen der Künstlichen Intelligenz (KI) ermöglichen.

Kleinstpartikel mit großer Wirkung: Aerosole in Klimamodellen

In dieser Projektarbeit unterstützt Machine Learning beim Erstellen von globalen Langzeitprognosen des Klimasystems.

HALF

Im Projekt HALF entwickeln wir energie-effiziente Hardware, die Künstliche Intelligenz zur Auswertung von Patientendaten auch auf mobilen Geräten ermöglicht.

Next Generation Computing

Die Digitalisierung bringt eine Datenflut mit sich, die wir mit heutigen Rechnersystemen bald nicht mehr effizient bewältigen. Es ist Zeit für eine neue hybride Computing-Generation: Next Generation Computing (NGC). Fraunhofer hat im November den ersten Quantencomputer nach Deutschland geholt. Wir sind dabei zu erforschen, welche Probleme wir künftig besser mit Quantencomputern lösen und welche besser mit anderen Architekturen.

GPU-Cluster

Mit dem High Performance GPU-Cluster »Styx« bieten wir einen Cluster, dessen Fokus auf der effektiven Nutzung und nahtlosen Einbindung neuartiger Beschleunigerkarten in den Workflow der User liegt.

Bauhaus.MobilityLab

Mithilfe Künstlicher Intelligenz werden in diesem Projekt innovative Produkte und Dienstleistungen in den Bereichen Mobilität, Logistik und Energie entwickelt und unter realen Bedingungen in der Thüringer Landeshauptstadt Erfurt erprobt.

Smarte App unterstützt Gesundheitsämter

»EsteR« unterstützt die Gesundheitsämter mit Mathematik und KI bei Entscheidungen. Der Vorgänger ist das Projekt »CorASIV«.

Kredit-Risikomanagement auf Basis von Nachrichten

Unser System bezieht aktuelle Nachrichten zur Verbesserung der Prognose-Qualität heran.