BaCAI Ringvorlesung
Im Sommersemester 2024 startet die Ringvorlesung des BaCAI, die dann regelmäßig, auch in den Folgesemestern mit etwa einem Termin pro Monat fortgeführt wird. In der Ringvorlesung werden Referentinnen und Referenten aus verschiedenen Themengebieten der Künstlichen Intelligenz ihre Forschung präsentieren.
Veranstaltungsdetails (sofern nicht anders angegeben):
- Ort: WE5/00.022 (An der Weberei 5, Erba, Universität Bamberg)
- Start: 18 Uhr (c.t.)
Termine BaCAI-Ringvorlesung im Sommersemester 2024
Wie man Künstliche Intelligenz menschlicher machen kann
Die Beziehung zwischen Menschen und Maschine, insbesondere im Kontext Künstlicher Intelligenz (KI), ist von Hoffnungen, Bedenken und moralischen Fragen geprägt. Auf der einen Seite bieten Fortschritte in der KI große Hoffnungen: Sie verspricht Lösungen für komplexe Probleme, verbesserte Gesundheitsversorgung, effizientere Arbeitsabläufe und vieles mehr. Doch gleichzeitig gibt es berechtigte Bedenken hinsichtlich der Kontrolle über diese Technologie, ihrer potenziellen Auswirkungen auf Arbeitsplätze und Gesellschaft, sowie ethischer Fragen im Zusammenhang mit Diskriminierung und dem Verlust menschlicher Autonomie. Der Vortrag wird das komplexe Spannungsfeld zwischen Innovation und moralischer Verantwortung in KI Forschung beleuchten und illustrieren.
Zu Prof. Dr. Kristian Kersting
Prof. Dr. Kristian Kersting ist Kodirektor des Hessischen Zentrums für Künstliche Intelligenz (hessian.AI) und leitet das Fachgebiet KI und Maschinelles Lernen an der TU Darmstadt. Seine Forschung umfasst Deep Probabilistic Programming and Learning sowie Explainable AI. Er ist Fellow der Association for the Advancement of AI (AAAI), der European Association for AI (EurAI) und des European Lab for Learning and Intelligent Systems (ELLIS), Buchautor ("Wie Maschinen lernen") und Träger des "Deutschen KI-Preises 2019”. Er schreibt eine monatliche KI-Kolumne in der Welt.
Besonderheiten und Herausforderungen für Maschinelles Lernen in der intraoperativen Bildgebung
Auf dem Weg zu Präzision und Intelligenz in dynamischen Umgebungen mit hoher Intensität
Vortrag auf Englisch
In den letzten zehn Jahren haben die rasanten Fortschritte im Bereich des Maschinellen Lernens (ML) verschiedene Bereiche revolutioniert und unser Leben erheblich beeinflusst. In diesem Vortrag werden wir in den Bereich der medizinischen Anwendungen eintauchen und die Herausforderungen und Möglichkeiten untersuchen, die mit der Integration dieser Spitzentechnologien in computergestützte Interventionen verbunden sind. Unser Hauptaugenmerk liegt dabei auf der Förderung der Akzeptanz und des Vertrauens in ML und Robotiklösungen im medizinischen Bereich, was oft den Weg über Intelligence Amplification (IA, "Intelligenz-Verstärkung") erfordert. Mit Augmented Reality (AR) können wir IA nutzen, um die menschliche Intelligenz und Expertise zu erweitern, was letztlich den Weg für die nahtlose Integration von Künstlicher Intelligenz (KI) und Robotik in klinischen Lösungen ebnet.
Ausgehend von einigen bahnbrechenden Forschungsarbeiten, die am Lehrstuhl für Computer Aided Medical Procedures (computergestützte medizinische Verfahren) an der TU München und der Johns Hopkins University durchgeführt wurden, werde ich eine Reihe neuartiger Techniken vorstellen, die für die besonderen Anforderungen medizinischer Anwendungen entwickelt wurden. Insbesondere werden wir ihre praktischen Implementierungen in verschiedenen Bereichen untersuchen, darunter die robotergestützte Ultraschallbildgebung, die multimodale Datenanalyse und semantische Szenegraphen für die ganzheitliche Modellierung des chirurgischen Bereichs. Darüber hinaus werde ich überzeugende Beispiele dafür vorstellen, wie AR-Lösungen als Katalysator für die Einführung von KI in der computergestützten Chirurgie dienen können. Indem wir uns die Macht von IA zunutze machen, können wir das volle Potenzial von KI-Technologien freisetzen, die Akzeptanz fördern und die Zukunft computergestützter Eingriffe vorantreiben. Begleiten Sie mich auf dieser aufschlussreichen Reise durch die komplizierten Überschneidungen von Maschinellem Lernen, medizinischem Fortschritt und dem Weg von der "Intelligenz-Verstärkung" zur Künstlichen Intelligenz im Gesundheitswesen.
Zu Prof. Dr. Nassir Navab
Prof. Dr. Nassir Navab ist ordentlicher Professor und Direktor des Lehrstuhls für Computer Aided Medical Procedures (CAMP) an der Technischen Universität München (TUM) und außerplanmäßiger Professor an der Johns Hopkins Universität. Er ist auch Leiter der zweimal jährlich stattfindenden Medical Augmented Reality Vorlesungsreihe an der Balgrist Klinik in Zürich. Er ist Mitglied der Academia Europaea und erhielt 2021 den prestigeträchtigen MICCAI Enduring Impact Award und 2015 den IEEE ISMAR 10 Years Lasting Impact Award. Im Jahr 2001, als er als angesehener technischer Mitarbeiter bei Siemens Corporate Research (SCR) in Princeton tätig war, erhielt er die renommierte Siemens Inventor of the Year Auszeichnung für seine Arbeit auf dem Gebiet der Interventionellen Bildgebung. Außerdem erhielt er den SMIT Technology Innovation Award im Jahr 2010 und wird im Jahr 2024 Medical AR Pioneer in der AWE XR Hall of Fame. Seine Studierenden haben viele Auszeichnungen für ihre Arbeiten erhalten, darunter 15 Auszeichnungen bei den renommierten MICCAI-Veranstaltungen, 5 bei IPCAI, 2 bei IPMI und 4 bei IEEE ISMAR. Er ist Fellow der MICCAI Society und war im Vorstand von 2007 bis 2012 und von 2014 bis 2017. Er ist außerdem ein IEEE Fellow und Fellow der Asia-Pacific Artificial Intelligence Association (AAIA) und einer der Gründer des IEEE Symposium on Mixed and Augmented Reality (ISMAR) und ist seit 2001 Mitglied des Lenkungsausschusses seit 2001. Er ist ein Area Chair für ECCV 2024. Er ist Autor von Hunderten von wissenschaftlichen Arbeiten und über 100 erteilten US- und internationalen Patenten. Im April 2024 wurden seine Arbeiten über 76.600 Mal zitiert und haben einen h-Index von 117.
Probabilistische und Deep Learning-Techniken für Roboternavigation und automatisiertes Fahren
Die Fähigkeit, Umgebungen robust wahrzunehmen und Aktionen auszuführen ist das ultimative Ziel bei der Entwicklung von autonomen Robotern und automatisiertem Fahren. Die größte Herausforderung besteht darin, dass keine Sensoren oder Aktoren perfekt sind. Roboter und Autos müssen daher in der Lage sein, mit der daraus resultierenden Unsicherheit angemessen umzugehen. In diesem Vortrag werde ich den probabilistischen Ansatz in der Robotik vorstellen, der eine strenge statistische Methodik im Umgang mit Zustandsschätzungsproblemen bietet. Darüber hinaus werde ich erörtern, wie dieser Ansatz mit modernster Technologie des Maschinellen Lernens kombiniert werden kann, um mit komplexen und sich verändernden realen Umgebungen umzugehen.
Zu Prof. Dr. Wolfram Burgard
Prof. Dr. Wolfram Burgard ist ein angesehener Professor für Robotik und Künstliche Intelligenz an der Technischen Universität Nürnberg, wo er auch den Gründungslehrstuhl der Fakultät für Ingenieurwissenschaften innehat. Zuvor war er von 1999 bis 2021 Professor für Informatik an der Albert-Ludwigs-Universität Freiburg, wo er das renommierte Forschungslabor für Autonome Intelligente Systeme aufbaute. Seine Fachgebiete sind Künstliche Intelligenz und mobile Roboter, wobei er sich auf die Entwicklung von robusten und adaptiven Verfahren zur Zustandsschätzung und -steuerung konzentriert. Zu Wolfram Burgards Erfolgen gehört der Einsatz des ersten interaktiven mobilen Führungsroboters Rhino im Deutschen Museum Bonn im Jahr 1997. Außerdem entwickelten er und sein Team 2008 einen bahnbrechenden Ansatz, der es einem Auto ermöglichte, autonom durch ein komplexes Parkhaus zu navigieren und selbst einzuparken. Im Jahr 2012 entwickelten er und sein Team den Roboter Obelix, der sich autonom wie ein Fußgänger vom Campus der Technischen Fakultät in die Freiburger Innenstadt bewegte. Wolfram Burgard hat über 350 Beiträge und Artikel auf Konferenzen und in Fachzeitschriften für Robotik und Künstliche Intelligenz veröffentlicht. Außerdem ist er Mitautor der beiden Bücher "Principles of Robot Motion - Theory, Algorithms, and Implementations" und "Probabilistic Robotics". Im Jahr 2009 wurde er mit dem Gottfried Wilhelm Leibniz-Preis ausgezeichnet, dem renommiertesten Forschungspreis in Deutschland. Er ist Mitglied der Heidelberger Akademie der Wissenschaften und der Nationalen Akademie der Wissenschaften Leopoldina.
Warum müssen sich LLMs Sorgen machen?
Die Achillesferse der Forschung im Bereich der natürlichen Sprachverarbeitung war lange Zeit das Rauschen in den Datensätzen, insbesondere ungenaues Labelling. Obwohl es einen Paradigmenwechsel von kleinen Expertenmodellen, die auf gelabelten Datensätzen trainiert werden, zu großen Sprachmodellen (LLMs) gegeben hat, die auf weitgehend unmarkierten Daten trainiert werden und eine Vielzahl von Aufgaben lösen können, bleiben die Probleme der Überschätzung und Verzerrungen bestehen. In diesem Vortrag werde ich einige Methoden zur Unsicherheitsabschätzung in aufgabenorientierten Dialogen vorstellen und diese zur automatischen Korrektur der Beschriftungen in den zugrunde liegenden Datensätzen nutzen. Ich werde Hypothesen aufstellen, wie dies die Tür zur Lösung verwandter Probleme in LLMs öffnen könnte.
Über Prof. Dr. Milica Milica Gašić:
Milica Gašić ist Professorin der Gruppe Dialogsysteme und Maschinelles Lernen an der Heinrich-Heine-Universität Düsseldorf. Ihre Forschung konzentriert sich auf grundlegende Fragen der Dialogmodellierung zwischen Mensch und Computer und liegt im Schnittpunkt von natürlicher Sprachverarbeitung und maschinellem Lernen. Vor ihrer jetzigen Position war sie Dozentin für Spoken Dialogue Systems am Department of Engineering der Universität Cambridge, wo sie die Dialogue Systems Group leitete. Zuvor war sie Research Associate und Senior Research Associate in der gleichen Gruppe und Research Fellow am Murray Edwards College. Sie schloss ihre Promotion unter der Leitung von Professor Steve Young ab. Das Thema ihrer Dissertation war Statistical Dialogue Modelling, für die sie einen EPSRC PhD Plus Award erhielt. Sie hat einen MPhil-Abschluss in Computer Speech, Text and Internet Technology von der University of Cambridge und ein Diplom (BSc. equivalent) in Mathematik und Informatik von der Universität Belgrad. Sie ist Mitglied der ACL, Mitglied von ELLIS und Seniormitglied von IEEE sowie Mitglied des internationalen wissenschaftlichen Beirats des DFKI.