Künstliche Intelligenz für maritime Systeme

Machine Learning für maritime Ökologie. Zur Ermittlung von Fangquoten in der Fischerei werden Modelle von Fischpopulationen herangezogen. Die Korrektheit dieser Modelle ist ausschlaggebend für präzise Vorhersagen. Die Ökosysteme durchlaufen allerdings stetig Veränderungen, beispielsweise bedingt durch den Klimawandel. Die bisherigen Modelle können solche Veränderungen der Systemdynamik teilweise nicht gut abbilden, sodass Vorhersagen und Realität auseinanderlaufen. Durch den Wandel der Ökosysteme sind fortlaufende Anpassungen dieser Modelle erforderlich, andernfalls driften die modellbasierten Vorhersagen und die Realität auseinander. Prof. Lüdtke und sein Team vom Lehrstuhl Marine Data Science entwickeln Machine Learning-Methoden, die auch in solchen Fällen noch gute Vorhersagen treffen können.

Wie misst man dort Werte, wo kein Sensor ist? Die maritime Forschung befasst sich unter anderem mit der Erfassung von Daten mit räumlichem Bezug, z.B. Wassertemperaturen oder Strömungen. Für die Datenerhebung ist allerdings ein dichtes Netz an Sensoren nötig. Prof. Lüdtke setzt Methoden des maschinellen Lernens ein, um fehlende Messdaten vorherzusagen und somit bestehende Lücken zu schließen. Die dabei genutzten Methoden können auch eingesetzt werden, um Empfehlungen dafür zu geben, an welchen Stellen zusätzliche Sensoren besonders nützlich wären und welche Sensoren durch Modellvorhersagen ersetzt werden könnten.

Effiziente Aktivitätserkennung mit hybrider KI. Prof. Lüdtke beschäftigt sich darüber hinaus mit effizienten Methoden für sensorbasierte Aktivitätserkennung. Für die Erkennung von Aktivitäten nutzte er dabei sowohl daten- als auch modellbasierte Methoden, was als hybride künstliche Intelligenz bezeichnet wird. Die Aktivitätserkennung zielt darauf ab, die Aktionen einer oder mehrerer Personen aus einer Reihe von Beobachtungen der Aktionen, sowie der Umgebungsbedingungen zu erkennen. Durch die Nutzung von Sensorik, beispielsweise Smartwatches oder Sensoren im Boden werden Personendaten erfasst. Diese Daten werden in einen kausalen Zusammenhang mit früheren Beobachtungen gestellt um Rückschlüsse über die beabsichtigte Aktivität zu erlangen.

Kompetenzen im Bereich der künstlichen Intelligenz und Data Science

• Kombination von datengetriebenen und wissens­basierten KI-Methoden
• Methoden zum Umgang mit Unsicherheiten in Modellen
• Aktivitätserkennung in Multiagentensystemen