Bosch Center for Artificial Intelligence

Das AutoML-Labor unter Leitung von Prof. Frank Hutter ist ein gemeinsames Forschungszentrum der Universität Freiburg mit Bosch, das die Zusammenarbeit und den Informationsaustausch über die Grundlagen maschinellen Lernens stärken soll. Die Partnerschaft konzentriert sich auf die Entwicklung von relevanten Methoden, die die Anwendung von AutoML-basierten Lösungen in der Bosch-Produktion unterstützen.

• Start: Dezember 2018
• Standort: Freiburg, Deutschland
• Praktische Anwendungen: AutoML
• Forschungsthemen: Multifidelity-Optimierung, Neural Architecture Search, Meta-Learning, AutoML für klassisches ML und AutoML für Reinforcement Learning

Forschende der TU Wien und des BCAI arbeiten gemeinsam an deklarativen Lösungen für kombinatorische Probleme sowie an Kombinationen aus symbolischer und maschinell lerngetriebener KI. Ziel der Partnerschaft ist gemeinsame Forschung, Informationsaustausch sowie der Transfer von Anwendungen in bestehende Bosch-Projekte.

• Start: Januar 2020
• Standort: Wien, Österreich
• Praktische Anwendungen: Planung und Terminierung in der Fertigung
• Forschungsthemen: hochentwickelte kontextbasierte Logiken für wissensbasierte kombinatorische Probleme in der Bosch-Fertigung

Forschende der CMU und Bosch arbeiten gemeinsam an modernstem robustem Deep Learning. Ziel ist es, das Verständnis und die Leistungsfähigkeit der Systeme zu verbessern und das Bosch-Forschungsspektrum in den Bereichen robuste, sichere und erklärbare KI zu ergänzen.

• Start: April 2018
• Standort: Pittsburgh, USA
• Praktische Anwendungen: Autonomes Fahren, optische Inspektion, Fertigung
• Forschungsthemen: Robust Deep Learning, Grundlagen des Deep Learning, Hybrides Modellieren

Die Zusammenarbeit mit der Universität Tübingen ist im Bosch Industry-on-Campus-Lab (IoC) angesiedelt, einem Teil des Cyber-Valley-Ökosystems. Ziel sind Kooperationsprojekte von Forschenden der Universität und des BCAI an der Schnittstelle von Grundlagen- und anwendungsorientierter Forschung. Schwerpunkte des Bosch IoC sind dateneffizientes sowie sicheres Deep Learning mit Anwendungen in autonomem Fahren, Fahrerassistenz und Fertigung.

• Start: November 2018
• Standort: Tübingen, Deutschland
• Praktische Anwendungen: autonomes Fahren, Fahrerassistenzsysteme, Fertigung
• Forschungsthemen: Generierung und Erweiterung synthetischer Daten, Few-Shot Learning, generatives Modellieren, Out-of-Distribution-Erkennung, Unsicherheitsabschätzung, Bereichsanpassung und Generalisierung

Das Tsinghua-Bosch Joint Research Center on Machine Learning ist ein gemeinsames Labor von Tsinghua-Universität und Bosch mit dem Ziel von Forschung und Informationsaustausch über Maschinelles Lernen für die Fertigung bei Bosch.

• Start: März 2020
• Standort: Peking, China
• Praktische Anwendungen: Optimierung in der Fertigung, hochautomatisiertes Fahren
• Forschungsthemen: Probabilistisches Deep Learning, erklärbares Maschinelles Lernen, Meta-Learning, neuro-symbolische KI, Natural Language Processing (NLP)

SIRIUS ist ein norwegisches Exzellenzzentrum und Zentrum für akademisch-industrielle Zusammenarbeit mit Fokus auf KI für industrielle Digitalisierung und Automatisierung. Durch seine Mitgliedschaft stärkt BCAI sein Forschungs- und Industrienetzwerk und beteiligt sich am gegenseitigen Informationsaustausch.

• Start: Januar 2020
• Standort: Oslo, Norwegen
• Praktische Anwendungen: Fabrikautomation, Wissensanalytik
• Forschungsthemen: Kubernetes Resource Recommender (KRR), semantische Technologien, Digitale Zwillinge, Wissensgraphen, Ontologien

Cyber Valley ist Europas größtes KI-Konsortium mit Partnern aus Wissenschaft und Industrie. Hauptziel ist, zentrale Akteure aus beiden Bereichen zusammenzubringen, um KI-Grundlagenarbeit für Automotive, Industrie 4.0 und E-Commerce zu leisten und den Wissensaustausch zu fördern.

• Start: Januar 2018
• Standort: Tübingen, Deutschland
• Praktische Anwendungen: Fertigung, autonomes Fahren, Entwicklungsprozesse im Engineering
• Forschungsthemen: Grundlagenforschung in allen Bereichen von Maschinellem Lernen und Computer Vision

Seit Ende 2016 arbeiten die Universität Amsterdam und das Bosch Center for Artificial Intelligence im gemeinsam gegründeten UvA-Bosch Delta Lab an der Deep-Learning-Forschung. Ziel der Allianz ist der kontinuierliche fachliche Austausch und Wissenstransfer zwischen Forschung und Industrie. Anfang 2022 wurde die erfolgreiche Kooperation verlängert. Delta Lab 2 konzentriert sich auf Forschung im Bereich Maschinelles Lernen für Anwendungen in Computer Vision, generativen Modellen und kausalem Lernen.

• Start: November 2016, Verlängerung im März 2022
• Standort: Amsterdam, Niederlande
• Team: Zehn Doktoranden, ein Postdoc, ein Laborleiter
• Praktische Anwendungen: autonomes Fahren, Computer Vision, Embedded AI
• Forschungsthemen: Künstliche Intelligenz und Maschinelles Lernen für Anwendungen in Computer Vision, generativen Modellen und kausalem Lernen

Juni 2025

Abstract

Mit dem rasanten Fortschritt von Künstlicher Intelligenz gewinnen Fragen zu ihrer Sicherheit und Zuverlässigkeit zunehmend an Relevanz. Diese Risiken haben unterschiedliche Dimensionen – von unmittelbaren operativen Herausforderungen bis hin zu langfristigen gesellschaftlichen Auswirkungen. Die Problematik zu verstehen und mit ihr umzugehen, ist entscheidend für die verantwortungsvolle Entwicklung und Nutzung von KI. Im Fokus steht dabei insbesondere die Identifikation kontextbezogener Risiken, etwa in industriellen Anwendungen, sowie die Förderung von Forschung zur Entwicklung robuster, sicherer und vertrauenswürdiger KI-Systeme.

Juni 2025

Abstract

Trägheitssensorik und Sensorfusion sind entscheidend für die Navigation – sowohl bei Alltagsgeräten als auch bei autonomen Systemen. Der Vortrag stellt hybride neuronale Ansätze vor, um die nichtlineare Navigationsfilterung mithilfe von Deep Learning zu optimieren. Vorgestellt wird unter anderem ein Kalman-informierter Transformer, der Prozessrauschen adaptiv schätzt und dadurch die Robustheit und Genauigkeit unter realen Bedingungen erhöht. Anwendungen reichen von visuell-inertiale Odometrie bis zur mobilen Robotik, wo ein zweistufiges Lernframework auf Geometrien wie Kurvenverläufe zurückgreift, um die Trajektorie abzuschätzen. Außerdem behandelt Itzik Klein neuronal unterstützte Messwert-Aktualisierungen, beispielsweise durch die Einbindung gelernter Signale wie Doppler-Geschwindigkeit oder Verschiebungsdaten in den Filterprozess. Die Ansätze wurden erfolgreich in Drohnen, Unterwasserfahrzeugen und mobilen Robotern erprobt und ermöglichen eine präzisere, anpassungsfähige und verlässlichere Navigation.

Mai 2025

Abstract

Um den wachsenden Anforderungen in Wissenschaft und Technik gerecht zu werden, muss maschinelles Lernen über rein menschlich erzeugte Daten hinausgehen. Simulationen physikalischer Systeme – von atomaren Wechselwirkungen bis hin zur Strömungsdynamik – liefern reichhaltige, strukturierte Daten, die auf Naturgesetzen basieren. Zwei zentrale Strategien ermöglichen den Wandel: die adaptive Datengenerierung für neuronale Simulatoren sowie das Physics-Informed Learning, das Symmetrien und Erhaltungssätze direkt in die Modelle integriert. Diese Ansätze schlagen eine Brücke zwischen simulationsgestützter Wissenschaft und modernem maschinellen Lernen. Sie führen zu Modellen, die nicht nur komplexe Phänomene vorhersagen, sondern auch unser Verständnis der physikalischen Welt vertiefen.

April 2025

Abstract

Große Modelle verursachen einen enormen Rechenaufwand. Effiziente Trainings- und Inferenzmethoden – wie Berechnungen mit geringer Genauigkeit (Low-Precision) und die Nutzung von Sparsität – führen zu Näherungen der ursprünglichen Rechenoperationen, was unter Umständen zu Genauigkeitsverlusten führen kann. Der Vortrag stellt die Theorie des approximativen Gradientenabstiegs vor, die theoretische Garantien für Konvergenz und Konvergenzgeschwindigkeit effizienter Trainingsverfahren liefert.

Auf Basis dieser Theorie werden konkrete Trainings- und Inferenzalgorithmen präsentiert, die auf zwei technischen Ansätzen beruhen: Quantisierung und Sparsität. Dazu gehören Beschleunigungstechniken für Berechnungen in Feedforward-Neuronalnetzen, effiziente Aufmerksamkeitsmechanismen, Komprimierung von Aktivierung, Optimierung und Kommunikation. Darüber hinaus werden Herausforderungen wie Instabilitäten beim effizienten Training thematisiert – sowie Strategien, um diesen Problemen entgegenzuwirken.