As the digitalization trend goes on with an increasing pace and with the involvement of a diverse set of actors, proper management of this digital layer as well as the services deployed over it becomes ever more crucial. Research and development at DAI-Labor on the IoT middleware technologies addresses this need for efficiently and scalably bridging the heterogeneous set of devices and their data with the dynamic scene of novel applications and scenarios.

Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz um Muster und Gesetzmäßigkeiten auf Basis großer Datenmengen und intelligenter Algorithmen zu erkennen. Unser Team beschäftigt sich hauptsächlich mit Time Series Mining, Deep Learning und Automated Machine Learning. In Automated Machine Learning untersuchen und entwickeln wir Verfahren, die automatisch geeignete Lernverfahren auswählen und deren Hyperparameter optimieren. Ziel ist es, die komplexe Anwendung von Verfahren des Maschinellen Lernens auch für Nichtexperten zu vereinfachen. Wir entwickeln Deep-Learning-Architekturen künstlicher neuronaler Netze, die in der Lage sind, Repräsentationen, Konzepte und Abstraktionen aus komplexen Daten zu lernen, die auf industrielle Anwendungsprobleme im Kontext großer Datenmengen angewendet werden. Dabei verwenden wir klassische Multi-Layer Perceptrons, Convolutional Networks, LSTM, Autoencoders, Boltzman Machines und Recurrent Networks als Basismodelle. In Time Series Mining versuchen wir die stark anwendungsorientierte Domäne auf eine solide theoretische Grundlage zu stellen, um aus den theoretischen Erkenntnissen leistungsstärkere Methoden für die Klassifikation und das Clustering von Zeitreihen abzuleiten.

Unsere Forschung konzentriert sich auf die Entwicklung von kognitiven Modellen für Roboter, um Menschen in Arbeitsumgebungen oder zu Hause eine anpassungsfähige, personalisierte Unterstützung zu bieten. Auf der unteren Ebene solcher Modelle konzentrieren wir uns auf Kognitionsfähigkeiten der Roboter, wie die Erkennung menschlicher Anwesenheit, die Hand- und Kopfgestenerkennung, die Aufmerksamkeitserkennung und die Aktionserkennung im Kontext. Auf der high-level Ebene werden diese Signale auf verwendet, um menschliche mentale Zustände und Absichten zu antizipieren, um ihre Bedürfnisse für eine zuverlässigere, natürlichere und anpassungsfähigere Zusammenarbeit besser zu verstehen. Dies geschieht durch unsere neuartigen stochastischen Entscheidungsfindungs- und Richtlinienauswahlalgorithmen, die sich an die sich ändernden kontextuellen Verhaltensweisen, Vorlieben und Eigenschaften eines Menschen anpassen.