Die Verbesserung der Vorhersagequalität von gelernten ML-Modellen führt zu Verfahren mit hohem Energieverbrauch. Eine neue Methode ermöglicht die Ermittlung von Energieeffizienz im ML, sowie eine Darstellung in Form von Energie Labels.
Künstliche Intelligenz kann die Nachhaltigkeit in der Forschung und Entwicklung fördern. Mit dem gezielten Einsatz im Design of Experiments ist es möglich, Versuche und damit auch Ressourcen einzusparen.
In den Forschungs- und Entwicklungsabteilungen kann Design of Experiments mit Künstlicher Intelligenz viele Experimente, und damit Zeit, Geld und Ressourcen sparen. Doch wie genau funktioniert es?
Aus einer Menge von Modellen jenes Modell auszuwählen, welches eine gegebene Aufgabe am besten lösen kann, ist oft ein undurchsichtiger Prozess. Für Zeitreihenvorhersage präsentieren wir ein erklärbares Verfahren für Modellselektion.
Edge Deployment ermöglicht die sichere und ressourcenschonende Verarbeitung großer Datenströme in Echtzeit sowie ein dezentrales Datenmanagement und Training im Maschinellen Lernen. KI-basierte Anwendungen können so in die Produktion gebracht werden.
Gammastrahlung gibt Hinweise auf Vorgänge im Weltall. Erstmalig ist es einem interdisziplinären Forscherteam der Informatik und Astrophysik an der TU Dortmund gelungen, die Analyse von Gammastrahlung in Echtzeit am Teleskop durchzuführen.
Mikrochips wie ASICs sind klein, schnell und energiesparend. Vor allem FPGAs sind darüber hinaus sehr flexibel, da sie neu programmierbar sind. Damit sind sie interessante Plattformen für die Entwicklung von ML-Methoden.
