Ergebnisse
Inhalt
KI-Framework „OPACA“
OPACA Logo
Die Entwicklung verteilter Systeme ist sehr komplex und stellt Entwickler vor zahlreiche wiederkehrende Aufgaben. In unserem KI-Framework “OPACA” kombinieren wir Aspekte von Multiagenten-Systemen mit Microservices und Container-Technologien, um die Entwicklung, das Deployment und die Verknüpfung neuartiger Anwendungen zu vereinfachen. Neben einer einheitlichen Schnittstelle (API) bietet die OPACA Plattform verschiedene Basis-Funktionalitäten, die automatisch allen damit entwickelten Anwendungen zur Verfügung stehen.
- Referenzimplementierung „OPACA“ Framework: https://github.com/gt-arc/opaca-core
- B. Acar et al., „OPACA: Toward an Open, Language- and Platform-Independent API for Containerized Agents,“ in IEEE Access, vol. 12, pp. 10012-10022, 2024, doi: 10.1109/ACCESS.2024.3353613.
XAI-Steckbriefe
XAI-Steckbriefe (Auswahl, Vorder- und Rückseiten)
Informationen über Methoden für erklärbare Künstliche Intelligenz (XAI) sind meistens nur in komplizierten und sehr technischen Ausarbeiten als wissenschaftliche Arbeiten zugänglich. Diese zu lesen und zu verstehen erfordert zum einen ein gewisses Level an Vorerfahrung und zum anderen Zeit. Deswegen haben wir Steckbriefe von bekannten XAI-Methoden entwickelt, auf denen in einfacher Sprache Informationen wie z.B. Verwendungsmöglichkeiten, Vor- und Nachteile der einzelnen Methoden dargestellt sind. Darüber hinaus haben die XAI-Methoden Label, die eine vereinfachte Auswahl ermöglichen.
XAI-Web-Demo
Screenshot der „LaFAM“ XAI-Demo
Künstliche Intelligenz erscheint oft als undurchsichtige „Blackbox“, deren Entscheidungen nicht nachvollziehbar sind. Wieso hat die KI diese Entscheidung getroffen? Wie “sicher” war sie dabei? Was wäre die nächstbeste Antwort gewesen? Hierbei kann XAI helfen, um bspw. die Bereiche eines Bildes hervorzuheben, die zu einer bestimmten Entscheidung geführt haben – oder hätten.
- Live-Demo im Browser: https://gt-arc.github.io/go-ki-demo/
XAI Tutorial & Method-Finder
Screenshots des XAI-Method-Finders
Es gibt eine Vielzahl an verschiedenen XAI-Methoden. Dieses Überangebot macht es schwierig, eine passende XAI-Methode zu finden, die zum einen zu einem spezifischen Anwendungsfall passt und zum anderen auch noch geeignet für die jeweilige Zielgruppe ist. Deswegen haben wir zwei Tools erstellt, die dabei helfen sollen. Das XAI Tutorial bietet für Interessierte Neulinge im Bereich XAI einen guten Einstieg, um die Möglichkeiten, die XAI für eine KI-Anwendung bieten kann, aufzuzeigen. Der XAI-Method-Finder hilft dann allen Personen dabei, für Ihren spezifischen Anwendungsfall eine passende XAI Lösung zu finden.
- Live-Demo im Browser: https://gt-arc.github.io/go-ki-demo/
Online-Kurs „Mein Chatbot”
Screenshot vom Chatbot-Kurs
Nicht erst seit dem Aufkommen der Large Language Models sind Chatbots in aller Munde, doch für viele sind sie ein Mysterium. In unserem interaktiven Chatbot-Kurs leiten wir Interessierte Nutzer*Innen spielerisch durch die theoretischen und technischen Grundlagen der Chatbot-Entwicklung, angeleitet durch – natürlich – einen Chatbot!
- Online-Chatbot-Kurs: http://chatbot-kurs.irml.dai-labor.de/
Go-KI Paper Reading Group
Eindrücke vom erstes Meetup im Februar 2024
Seit Anfang 2024 veranstalten wir regelmäßige Meetups in Form einer Paper-Reading-Group am ZEKI (Zentrum für Erlebbare Künstliche Intelligenz) in Berlin. Wir stellen verschiedene Papers vor, die thematisch mit dem Go-KI Projekt zusammenhängen, von neuesten Erkenntnissen im Bereich der (Erklärbaren) Künstlichen Intelligenz bis zu neuen Trends in der Softwareentwicklung. Die Meetings werden hybrid abgehalten (vor Ort und per Zoom) und sind für alle interessierten Teilnehmer offen.
- Anmeldung über Go-KI.org: https://go-ki.org/anmeldungen/
- Gruppe auf Meetup.com: https://www.meetup.com/de-DE/berlin-tangible-xai-group/
- Aufzeichnungen auf Youtube: https://www.youtube.com/channel/UCms0AZBeKcwDobZmkTkgaMw
Publikationen
- Benjamin Acar, Tobias Küster, Oskar F. Kupke, Robert K. Strehlow, Marc G. Augusto, Fikret Sivrikaya and Sahin Albayrak: OPACA: Toward an Open, Language- and Platform-Independent API for Containerized Agents. IEEE Access, vol. 12, pp. 10012-10022, 2024, doi: 10.1109/ACCESS.2024.3353613.
Benjamin Acar, Martin Berger, Marc G. Augusto, Tobias Küster, Fikret Sivrikaya and Sahin Albayrak: An Agent-based Data Acquisition Pipeline for Image Data. IEEE Access, vol. 12, pp 102440 – 102448, 2024, doi: 10.1109/ACCESS.2024.3431429
Aray Karjauv and Sahin Albayrak: LaFAM: Unsupervised Feature Attribution with Label-free Activation Maps. German Conference on Artificial Intelligence (Künstliche Intelligenz), 2024 (to appear)
Tobias Schulz, Pedram Babakhani, Moritz Heine, Finn Harms, Marc G. Augusto and Sahin Albayrak: GGAS: Ground Guiding Assistant System for Interactive Indoor Wayfinding. 14th Int. Conf. on Indoor Positioning and Indoor Navigation (IPIN 2024) (to appear)
Nils Ole Breuer and Sahin Albayrak: Towards Automated Human-Centered
Recommendation of Explainable AI Solutions. Workshop on Multimodal, Affective, and Interactive Explainable AI @ European Conference on Artificial Intelligence (to appear)- Abdullah Kiwan, Andreas Lommatzsch and Sahin Albayrak: Enhancing Data Accessibility: Integrating Speech-Based Interfaces with Large Language Models for Intuitive Database Queries. LWDA Workshops 2024 (to appear)
