Call for Papers: Prof. Dr.-Ing. Tobias Meisen ist Gasteditor der Sonderausgabe von Applied Science (MDPI)

29.11.2022|13:32 Uhr

Unser Lehrstuhlinhaber Prof. Dr.-Ing. Tobias Meisen betreut als Gasteditor die Sonderausgabe "New Challenges in Machine Learning for Industrial Applications" von Applied Science.

Ein besonderer Fokus liegt dabei auf der Übertragung bzw. Übertragbarkeit von Methoden aus dem Maschinellen Lernen in die Anwendung und im Besonderen in einen industriellen Kontext.

Kaum ein anderes Thema steht in der digitalen Transformation so im Vordergrund wie künstliche Intelligenz. Genauer gesagt sind es Machine Learning und darunter subsumiert Deep Learning, die zentral zur Realisierung wesentlicher Funktionen in industriellen Prozessen (z. B. Predictive Maintenance, Predictive Quality, Visuelle Qualitätskontrolle etc.) stehen und zur Optimierung und Nachhaltigkeit derselben beitragen können.

Es vergeht kaum ein Tag ohne neue Veröffentlichungen, die sich mit künstlicher Intelligenz und der Anwendung neuer ML-Methoden im industriellen Kontext befassen. Auch im Anwendungsbereich verlassen immer mehr Unternehmen ihre anfängliche Skepsis und entscheiden sich, die versprochenen Potenziale für sich zu erschließen.

Es zeichnet sich jedoch immer mehr ab, dass die Übertragung einzelner Methoden des maschinellen Lernens für Anwendungen im industriellen Kontext unzureichend ist. Leistungsfähigkeit wie Robustheit, Transparenz und Nachvollziehbarkeit sowie Übertragbarkeit, sollen auch in technischen Systemen vorhanden sein, die auf ML-basierten Prozessen beruhen. Herkömmliche, traditionelle Ansätze zur Schaffung solcher Fähigkeiten in Engineering-Systemen sind jedoch im ML-Kontext nicht verwendbar.

In diesem Special Issue widmen wir uns Forschungsarbeiten, die sich genau mit diesen neuen Herausforderungen befassen, die sich aus der Anwendung und sukzessiven Etablierung von ML-basierten Systemen in industriellen Anwendungen ergeben. Wir werden nur Beiträge berücksichtigen, die sich sowohl mit der Anwendung des maschinellen Lernens im industriellen Kontext als auch mit spezifischen Herausforderungen der oben genannten Art befassen.

Wir freuen uns auf viele interessante Einreichungen!

Weitere Infos und die Möglichkeit zur Einreichung bis 20. April 2023 sind hier zu finden!