Publikationen

In ihrem Poster und Poster-Paper stellen Tom Haider und Kollegen einen Markov Decision Process (MDP) vor, mit dem Umweltveränderungen formalisiert werden können. So können End-to-End Deep Reinforcement Learning Systeme besser mit unbekannten Situationen umgehen.

Das Paper »Measuring Ensemble Diversity and Its Effects on Model Robustness« beschäftigt sich mit zwei Fragen: Wie unterscheiden sich identisch trainierte Deep Ensembles in ihrer Leistung und Robustheit? Und können auf Basis von Diversitätsmetriken robustere Ensembles gebildet werden?

In ihrem Paper »Towards Comprehensive Safety Assurance in Cloud-based Systems« stellen Oleg Oleinichenko, Christian Drabek und Anna Kosmalska ein dreistufiges Safety-Analysemodell vor, um die Verlässlichkeit von Cloud-basierten Systemen zu gewährleisten.

Im Rahmen des ADA Lovelace Center for Analytics, Data and Applications hat das Fraunhofer IKS ein technisches Whitepaper zu Machine-Learning-Methoden für eine verlässliche Perzeption autonomer Systeme erarbeitet. Darin werden Methoden zur Quantifizierung der Unsicherheit in Deep Neural Networks vorgestellt, entwickelt und bewertet.

Was unterscheidet DevOps von traditioneller Softwareentwicklung? Diese Frage beantwortet das Whitepaper zu Herausforderungen und Potenzialen von DevOps für die Entwicklung cyber-physischer Systeme, das das Fraunhofer IKS zusammen mit der Magazino GmbH veröffentlicht hat. Laden Sie das Whitepaper Devops for Developing Cyber-Physical Systems runter und lesen Sie direkt weiter.

Das Whitepaper »Flexilient End-to-End Architectures« des Fraunhofer IKS stellt zentralen Herausforderungen verlässlicher Cloud-basierter cyber-physical Systems (of Systems) dar. Ziel ist es, die Systeme so zu entwickeln, dass sie Resilienz, Intelligenz und Flexibilität vereinen. Das Fraunhofer IKS kombiniert dies zum neuen Begriff »Flexilience«.