Juniorprofessur für

"Künstliche Intelligenz (KI)

Anwendung in Produktion und Logistik"

AI Engineering (AiEng) umfasst die systematische Konzeption, Entwicklung, Integration und den Betrieb von auf Künstlicher Intelligenz (KI) basierenden Lösungen nach Vorbild ingenieurwissenschaftlicher Methoden. Gleichzeitig schlägt AiEng eine Brücke zwischen der Grundlagenforschung zu KI-Methoden und den Ingenieurwissenschaften und macht dort den Einsatz von KI systematisch zugänglich und verfügbar. Das Projektvorhaben konzentriert sich auf die landesweite Entwicklung eines Bachelorstudiengangs «AI Engineering», welcher die Ausbildung von Methoden, Modellen und Technologien der KI mit denen der Ingenieurwissenschaften vereint. AiEng soll als Kooperationsstudiengang der Otto-von-Guericke-Universität (OVGU) Magdeburg mit den vier sachsen-anhaltischen Hochschulen HS Anhalt, HS Harz, HS Magdeburg-Stendal und HS Merseburg gestaltet werden. Der fächerübergreifende Studiengang wird Studierende befähigen, KI-Systeme und -Services im industriellen Umfeld und darüber hinaus zu entwickeln und den damit einhergehenden Engineering-Prozess - von der Problemanalyse bis zur Inbetriebnahme und Wartung / Instandhaltung - ganzheitlich zu begleiten. Das AiEng-Curriculum vermittelt eine umfassende KI-Ausbildung, ergänzt durch eine grundlegende Ingenieurausbildung und eine vertiefende Ausbildung in einer gewählten Anwendungsdomäne. Um eine Symbiose von KI- und ingenieurwissenschaftlicher Lehre zu erreichen, wird ein neuer handlungsorientierter Rahmen entwickelt und gelehrt, welcher den vollständigen Engineering-Prozess von KI-Lösungen beschreibt und alle Phasen methodisch unterstützt. AIEng zeichnet sich durch eine modulübergreifende Verzahnung von Lehr- und Lerninhalten innerhalb eines Semesters sowie durch ein fakultäts- und hochschulübergreifendes Tandem-Lehrkonzept aus und verfolgt ein studierendenzentriertes Didaktikkonzept, welches durch viele praxisorientierte (Team-)Projekte und ein großes Angebot an Open Educational Resources (OERs) mit (E)-Tutorenprogramm getragen wird.

Projekt im Forschungsportal ansehen

Das Forschungsprojekt SENECA verfolgt die Entwicklung eines selbstlernenden Entscheidungsunterstützungssystems für die echtzeitfähige Auftragsreihenfolge- und Maschinenbelegungsplanung. Die Forschungsfrage lautet, wie Methoden des maschinellen Lernens (ML) angewendet werden müssen, um in Echtzeit zulässige Lösungen mit ausreichender Güte für Auftragsreihenfolge- und Maschinenbelegungsprobleme zu berechnen. Es sollen verschiedene ML-Methoden hinsichtlich ihrer Anwendbarkeit für die Auftragsreihenfolge- und Maschinenbelegungsplanung untersucht werden. Aufgrund der hohen Dynamik moderner Produktionssysteme und der daraus resultierenden Planungsunsicherheit wird erwartet, dass insbesondere die Produktionsablaufplanung von ML-basierten, echtzeitfähigen und adaptiven Entscheidungsunterstützungssystemen profitiert. ML-Algorithmen werden zurzeit vornehmlich für Regressions- und Klassifikationsprobleme eingesetzt. Ihr unmittelbarer Einsatz zur Berechnung von Optimierungsproblemen ist bisher kaum beforscht und industrielle Anwendungen sind bisher nicht bekannt. Das technische Arbeitsziel ist die Entwicklung eines Soft- und Hardware-Prototypen, welcher Entscheider in der Produktionsplanung und -steuerung unterstützt. Die technischen Herausforderungen betreffen insbesondere Aspekte der produktions- und einsatzspezifischen Gestaltung. Zum einen ist eine hohe Benutzerfreundlichkeit wichtig. Dies impliziert unter anderem, dass der Mensch stets die letzte Entscheidungsinstanz darstellt. Das System soll fähig sein, sich mit menschlicher Expertise kontinuierlich selbst zu verbessern. Zum anderen muss das Assistenzsystem derart gestaltet sein, dass die Echtzeitfähigkeit der Lösungsverfahren ausgeschöpft wird. Vorgeschlagene Auftragsreihenfolgen und Maschinenbelegungen müssen kurzfristig von der Produktionsplanung in die Produktionssteuerung überführt werden können.

Projekt im Forschungsportal ansehen