Holen Sie sich B4BSCHWABEN.de auf Ihr Smartphone.
Klicken Sie auf das Symbol zum „Teilen” in der Toolbar von Safari.
Finden Sie die Option „Zum Home-Bildschirm”.
Mit einem Klick auf „Hinzufügen” ist die Installation abgeschlossen!
Schon ist die Website als App auf Ihrem iOS-Gerät installiert.
Pooja Prajod, wissenschaftliche Mitarbeiterin am Lehrstuhl für Menschzentrierte Künstliche Intelligenz, untersucht gemeinsam mit Kollegen, ob ein künstliches neuronales Netzwerk, das für ein Problem A mit einer großen Datenmenge angelernt wurde, seine Erfahrung auf ein neues Problem B mit kleiner Datenmenge übertragen kann. „Die Netzwerke lernen, indem sie mit großen, problemspezifischen Datenmengen trainiert werden. Das können Bilder von Menschen sein, die im Gesicht eine Emotion zeigen, verbunden mit der Aufgabe, dies eigenständig zu erkennen. Das Netzwerk lernt nun, welche mimischen Merkmale relevant sind, um Emotionen zu erkennen und kann dies dann auf unbekannte Bilder anwenden“, erklärt die Lehrstuhlinhaberin Prof. Dr. Elisabeth André.
„Wir fragen uns also: Lassen sich die auf Emotionen trainierten Modelle so anpassen, dass sie auch Schmerz in Gesichtern erkennen und klassifizieren können?“, erläutert Prajod. Dahinter steckt das Konzept des Transfer Learning und der Ansatz, dass, wenn die vorliegenden Eingabedaten (Bilder) und das erwartete Resultat (Mimikbeobachtung) ähnlich sind, ein auf Emotionserkennung trainiertes neuronales Netzwerk auch lernen kann, Schmerz zu erkennen. Das Thema wurde bewusst gewählt: „Die Erkennung von Schmerz ist im industriellen Kontext besonders wichtig, da sie ermöglicht, früh auf ungünstige Arbeitsplatzbedingungen zu reagieren“, erklärt André. Und da es für „Schmerz“ noch keine große Datenbank gibt, eignete es sich perfekt zur Untersuchung.
Die Forschenden machten höchst interessante Beobachtungen: So „verlernte“ die KI beispielsweise, dass das Augenlid maßgeblich am Ausdruck von Überraschung beteiligt ist. Diese Erkenntnisse sollen nun dabei helfen eine KI zu trainieren, die sowohl Schmerzen als auch Emotionen erkennen kann, ohne dabei wichtige Konzepte zu verlernen. In der Industrie könnte sie so gleichzeitig die mentale (Stress) und physische Gesundheit (Schmerzen) überwachen, um bei potenziellen Problemen frühzeitig eingreifen zu können.
Eingebettet ist die Forschung im EU-geförderten Projekt MindBot. In diesem sind neben der Universität Augsburg Unternehmen und Forschungseinrichtungen aus vier europäischen Ländern eingebunden.
... ist ein Verbund der Universität Augsburg mit dem Fraunhofer-Institut für Gießerei-, Composite- und Verarbeitungstechnik IGCV sowie dem Zentrum für Leichtbauproduktionstechnologie des Deutschen Zentrums für Luft- und Raumfahrt (DLR). Ziel ist eine gemeinsame Erforschung KI-basierter Produktionstechnologien an der Schnittstelle zwischen Werkstoffen, Fertigungstechnologien und datenbasierter Modellierung.
