Amadeus Bramsiepe, KIT

Mit dem Projekt ASPIRE verfolgt Julian Quinting das Ziel, subsaisonale Vorhersagen mit reduziertem Rechenaufwand zu verbessern. Die Idee ist, Quellen im Atmosphärensystem mit hoher intrinsischer Vorhersagbarkeit besser zu nutzen: etwa wiederkehrende Muster tropischer Konvektion, die auf einer Zeitskala von zwei Wochen bis zwei Monaten variieren. Die Muster im Pazifik beispielsweise haben einen großen Einfluss auf das Wetter in Europa, werden aber in Wettervorhersagemodellen nur unzureichend dargestellt. Um dies zu verbessern und dabei den Rechenaufwand möglichst gering zu halten, entwickelt Quinting Modelle des Maschinellen Lernens, welche die Effekte einer hohen Auflösung nachahmen. Der Europäische Forschungsrat wird sein Projekt nun für fünf Jahre finanzieren.

Arp, TU Berlin

Maschinelles Lernen (ML) ist traditionellen Methoden oft überlegen. Beim Einsatz in der Computersicherheit gibt es allerdings Schwachstellen, wie das Team von Christian Wressnegger gemeinsam mit internationalen Partnern herausgefunden hat. „Ein lernendes Virenschutzprogramm beispielsweise, das anhand unvollständiger Daten trainiert wurde, könnte sich in der Praxis als unbrauchbar erweisen“, erklärt Wressnegger. Die Forschenden haben 30 aktuelle Arbeiten untersucht, die ML für die IT-Sicherheit nutzen und auf prestigeträchtigen Computer- und Systemsicherheitskonferenzen veröffentlicht wurden. Alle hatten eine oder mehrere Fehlerquellen nicht berücksichtigt. „Es fehlt an Bewusstsein für die Schwierigkeiten, Maschinelles Lernen korrekt anzuwenden“, so der Experte.

wbk/KIT

Um neue Produkte schneller auf den Markt zu bringen, müssen Unternehmen unreife Produktionsprozesse im laufenden Betrieb verbessern. Ziel der neuen DFG-Forschungsgruppe am KIT ist es, mit dem systematischen Einsatz von künstlicher Intelligenz (KI) Prozess-anpassungen kostengünstiger, schneller und effizienter zu machen. Im Teilprojekt „Management und Quantifikation von Prozessreife-Verbesserung“ befasst sich Tobias Käfer mit der wissensgraph-basierten Modellierung von Daten und Wissen über den Prozess und ihrer Bereitstellung für Fachleute. Herausforderungen wie der Verteilung der Daten, ihrer Heterogenität und der Berücksichtigung von physikalischem Wissen begegnen die Forschenden, indem sie Methoden semantischer Datenverarbeitung mit qualitativem Schließen kombinieren.