Anzeige

munich_i Session 4: Building intelligence

Wie Künstliche Intelligenz Alltag und Produktion beeinflussen wird.


Kaum ein Zukunftsthema wird so kontrovers diskutiert wie Künstliche Intelligenz. Wie wird KI die industrielle Produktion verändern? Oder: Wie gelangen autonom fahrende Autos sicher ans Ziel? Wird KI die Grundlagen für Entscheidungen so plastisch erkennen, bewerten und verarbeiten können wie der Mensch? Und wenn das so ist: Besteht die Gefahr, dass die KI sich eines Tages verselbstständigt und intelligentere Entscheidungen trifft als der Mensch?

Fragen über Fragen – diese Experten liefern Antworten direkt aus der Forschung:

Anzeige

Die KI-Forschung zeigt, wie komplex die Zusammenhänge bei der Anwendung menschlicher Intelligenz sind. Unser Gehirn kann gut mit Unsicherheiten umgehen und deshalb auch in unklaren Situationen die (vermutlich) beste Entscheidung treffen. KI hat hier noch Schwächen – sie braucht Gewissheit. Die Forscher arbeiten daran, der KI die nötige Plastizität zu vermitteln. Dann könnten Roboter auch in uneindeutigen Situationen „richtig“ handeln. Dazu braucht es passende Algorithmen. Und gewaltige Rechenleistung. Quantencomputer und „Deep learning“ können ebenso helfen wie eine möglichst umfassende Umfelderkennung und Umweltsimulation.

Neben generellen Überlegungen – auch zur Ethik der Künstlichen Intelligenz – stellen die Wissenschaftler ganz konkrete „Use cases“ für KI-gestützte Applikationen vor. Ein Beispiel: Intelligente Roboter orientieren sich frei in unbekannten Räumen und identifizieren dort Objekte, die sie zum gewünschten Ort transportieren.

Kurz: Die Session „Buiding Intelligence“ gibt Einblicke in die KI-Forschung – praxis- und industrieorientiert, aus erster Hand. Hier erfahren Sie, wie eine KI, die der menschlichen Intelligenz ähnlich ist, in Objekte wie Roboter und Datenbanken implementiert wird.

Die Sprecher der Session

“Artificial Intelligence: what's next?”

Artificial intelligence isn't. The reason is simple: most successful, applicable methods focus on supervised learning of human-annotated data sets. Nowhere close to how biology learns; how natural intelligence emerges.Unsupervised learning to the rescue? Modern latent-variable models can be used to implement predictive coding. It allows you to predict; to act like an intelligent system. We can make this work in complex dynamical systems, such as drones or robots; but we can't break this final frontier to intelligence quite yet. Once we can, how can we make our systems accountable? In the end, we need to discuss ethics of such algorithms. In my talk I will try to enlighten all of these issues.

Prof. Dr. Patrick van der Smagt
ML Research Lab

ML Research Lab
Volkswagen AG

Prof. Dr. Patrick van der Smagt

Patrick van der Smagt ist Leiter des ‚Machine Learning Research Labs‘ des Volkswagen Konzerns in München, welches sich mit probabilistischen ‚Deep Learning‘ Methoden für das Modellieren von Zeitreihenmodellen, ‚Optimal Control‘, ‚Reinforcement Learning‘, Robotik und ‚Quantum Machine Learning‘ beschäftigt und nebenberuflich als Professor an der Eötvös Loránd Universität in Budapest tätig. Zuvor war er Professor für ‚Machine Learning and Biometric Robotics‘ an der TU München und leitete das Machine Learning Team des fortiss Forschungsinsituts, nachdem er zuvor das ‚Assistive Robotics and Bionics Lab‘ des DLR Oberpfaffenhofen gründete und leitete. Patrick van der Smagt promovierte an der Universität Amsterdam. Neben der Veröffentlichung von zahlreichen Papern und Patenten wurde er in der Vergangenheit mit einigen Preisen ausgezeichnet, darunter unter anderem der Helmholtz-Association Erwin Schrödinger Award (2013), der King-Su Fu Memorial Award (in 2014), der Harvard Medical/MGH Martin Research Prize (2013), der Webit Best Implementation of AI Award (2018) sowie einige Best-Paper Awards auf und von verschiedenen ‚Machine Learning and Robotics‘ Konferenzen und Journals. Heute prüft und beurteilt er für staatliche geförderte Organisationen, Konferenzen und Journals und war Vorsitzender einer Non-Profit-Organisation, die sich mit der Entwicklung von Assistenz-Robotern für Menschen mit körperlichen Behinderungen beschäftigt, sowie Mitbegründer verschiedener Tech-Unternehmen.

“On the great puzzle of autonomous robotic manipulation and how to solve it”

My research is driven by the puzzle of why humans can effortlessly manipulate any kind of object while it is so hard to reproduce this skill on a robot. Humans can easily cope with uncertainty in perceiving the environment and in the effect of manipulation actions. One hypothesis is that humans are exceptionally accurate in perceiving and predicting how their environment will evolve. Therefore, improving the accuracy of perception and prediction in robots is one way forward. In this talk, I would like to advocate for a different view on this problem: What if we will never reach perfect accuracy? If we accept that premise, then an important focus towards more robust robotic manipulation is to develop methods that can cope with a base level of uncertainty and unexpected events. In this talk, I will propose a set of such methods that will help to solve this great puzzle on how to enable autonomous robotic manipulation.

Prof. Jeannette Bohg
Prof. Jeannette Bohg

Jeannette Bohg ist Assistant Professor für Computer Science an der Stanford University. Bis September 2017 war sie als Gruppenleiterin in der Abteilung für autonome Bewegung (AMD) des MPI für Intelligente Systeme tätig. Bevor sie im Januar 2012 zum AMD kam, war Jeannette Bohg Doktorandin in der Abteilung Robotics, Perception and Learning (RPL) an der Königlichen Technischen Hochschule in Stockholm. In ihrer Doktorarbeit schlug sie neuartige Methoden zum multimodalen Szenenverständnis für das robotische Greifen vor. Sie studierte zudem an der Technischen Hochschule Chalmers in Göteborg und an der Technischen Universität in Dresden, wo sie ihren Master in Kunst und Technik bzw. ihr Diplom in Informatik erhielt. Ihre Forschung konzentriert sich auf Aspekte der Perzeption und auf das Lernen von autonomer Robotermanipulation und robotischem Greifen. Sie interessiert sich besonders für die Entwicklung von Methoden, die in Echtzeit funktionieren, zielgerichtet und multimodal sind, so dass diese ein sinnvolles Feedback für die Ausführung und das Lernen liefern können. Jeannette Bohg hat mehrere Auszeichnungen erhalten, unter anderem den 2019 IEEE International Conference on Robotics and Automation (ICRA) Best Paper Award, den 2019 IEEE Robotics and Automation Society Early Career Award und den 2017 IEEE Robotics and Automation Letters (RA-L) Best Paper Award.

“Using Deep Learning and Simulation to Teach Robots Manipulation in Complex Environments”

Recent advances in deep learning and GPU-based computing have enabled significant progress in several areas of robotics, including navigation, visual recognition, and object manipulation. This progress has turned applications such as autonomous driving and delivery tasks in warehouses, hospitals, or hotels into realistic application scenarios. However, robust manipulation in complex settings is still an open research problem. Various efforts at NVIDIA robotics research investigate how deep learning along with physics-based and photo-realistic simulation can be used to train manipulators in virtual environments and then deploy them in the real world. Our work shows promising results on different pieces of the manipulation puzzle, including manipulator control, touch sensing, object pose detection, and object pick and place. In this talk, I will present some of these advances. I will describe a robot manipulator that can open and close cabinet doors and drawers, detect and pickup objects, and move these objects to desired locations. Our current system is designed to be applicable in a wide variety of environments, only relying on 3D articulated models of the furniture and the relevant objects. I will also present an example from an industrial use case, where a manipulator detects, picks up, and stacks boxes. I will discuss lessons learned so far, and various research directions toward enabling even more robust and general manipulation systems.

Prof. Dieter Fox
Allen School of Computer Science & Engineering, Nvidia Corporation

Allen School of Computer Science & Engineering, Nvidia Corporation
University of Washington

Prof. Dieter Fox

Dieter Fox ist Professor der Allen School of Computer Science & Engineering an der University of Washington. Er wuchs in Bonn, Deutschland, auf und promovierte 1998 am Institut für Informatik der Universität Bonn. Im Herbst 2000 trat er der University of Washington in den USA bei.

Seine Zeit teilt Dieter Fox zwischen der University of Washington und der Nvidia Corporation auf, für die er das Robotics Research Lab in Seattle leitet.

Seine Forschungsinteressen liegen in den Bereichen Robotik, künstliche Intelligenz, wobei sein Schwerpunkt auf der Zustandsschätzung und Perzeption liegt. Anwendung findet seine Forschung bei Problemen wie Mapping, Objekterkennung und -verfolgung, Manipulation und Aktivitätserkennung.

Dieter Fox ist außerdem AAAI, ACM und IEEE-Fellow sowie Empfänger des IEEE RAS Pioneer Awards. Er arbeitete als Editor der IEEE Transactions on Robotics, fungierte als Co-Vorsitzender der Programmkommission der 2008 abgehaltenen AAAI Conference on Artificial Intelligence und 2013 als Leiter des Programkomitees der Konferenz Robotics: Science and Systems.

“Accelerating Discovery with Bits, Neurons and Qubits”

At IBM Research we are convinced that the fundamental practice of scientific research is on the threshold of a revolution, driven by information technology, which will greatly accelerate scientific discovery. As we develop the next generation of information technology infrastructure, IBM Research has envisioned and is building a future generation of computing capabilities, which not only process digital bits – which are at the core of most of today's computing systems – but also integrate neural accelerators that greatly speed up AI algorithms, and exploit quantum computing in a single infrastructure. One example of the impact of this is IBM RoboRXN for Chemistry, which couples AI to predict the outcomes of unknown complex organic chemistry reactions with robotics to physically make molecules from anywhere in the world, drastically reducing the time and cost of the discovery process, enabling complex experiments also in a time of social distancing and home-office working.

Dr. Alessandro Curioni
IBM Fellow, Vice President Europe and Africa and Director, IBM Research - Zurich

IBM Fellow, Vice President Europe and Africa and Director, IBM Research - Zurich
IBM Research

Dr. Alessandro Curioni

Dr. Alessandro Curioni ist IBM Fellow, Vice President IBM Europa und Direktor des IBM Forschungszentrums in Rüschlikon, Schweiz. Zudem ist er für den Beitrag von IBM Research im Bereich Cognitive Internet of Things verantwortlich. Dr. Curioni ist ein Experte von Weltruf auf den Gebieten High Performance Computing und Computational Science, der mit fundierten Kenntnissen und innovativer Forschung grundlegend zur Lösung von hochkomplexen technologischen Problemstellungen in verschiedenen Industrien beitrug. Für seine herausragenden Leistungen auf dem Gebiet der computergestützten Simulationen wurde er mehrfach ausgezeichnet, u.a. mit dem renommierten ACM Gordon Bell Preis 2013 und 2015. Dr. Curioni promovierte in Theoretischer Chemie an der Scuola Normale Superiore in Pisa, Italien. Seine Karriere bei IBM Research – Zürich begann 1993 als Doktorand, bevor er 1998 Research Staff Member wurde. Vor seiner Ernennung zum Direktor von IBM Research – Zürich leitete er die Forschungsaktivitäten im Bereich Cognitive Computing und Computational Science.

Session Chair

„Building intelligence“ wird von Prof. Dr.-Ing. Eckehard Steinbach als Session Chair moderiert.

Für das Zünden der nächsten Stufe und eine breite praktische Anwendbarkeit von Künstlicher Intelligenz sind neue Verfahren des maschinellen Lernens erforderlich, die das Trainieren der KI ohne große (of manuell annotierte) Datensätze ermöglicht und die in der Lage sind belastbare Vorhersagen über die Zuverlässigkeit der Ergebnisse zu treffen.

munich_i – Sichern Sie sich Ihre Teilnahme

Die Teilnahme an munich_i ist für Besucher der Digitalplattform der automatica sprint im Ticket inbegriffen.

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
munich_i
munich_i Session 5: Interaction of humans and robots

Humanoide Roboter werden durch enorme technologische Fortschritte im Bereich KI, Sensorik, Human Motion Data Science immer leistungsfähiger.

mehr
munich_i
munich_i Session 1: Assisting the human

Assistenzroboter werden Menschen künftig in vielen Lebensbereichen unterstützen und einen Beitrag zu höherer Lebensqualität leisten.

mehr
munich_i
munich_i CEO Round Table am 23. Juni, 13:00 Uhr

Die Entscheider der internationalen Robotik blicken in die Zukunft von KI und Ro-botik und geben einen inspirierenden Ausblick

mehr