Künstliche Intelligenz revolutioniert Industrie: Fünf Jahre Innovation in Bremen!
Was treibt die Forschung im Bereich der künstlichen Intelligenz an? An der Constructor University in Bremen, unter der Leitung von Professor Dr.-Ing. Hendro Wicaksono, feiert die Forschungsgruppe Data-Driven Industrial Systems fünf Jahre voller Innovationen. Ihr Fokus liegt auf kausaler künstlicher Intelligenz und verantwortungsvoller KI, mit dem Ziel, praktische Lösungen für reale Probleme in der Industrie und Gesellschaft zu finden. In den letzten Jahren hat die Gruppe Dutzende von Artikeln in hochrangigen Fachzeitschriften veröffentlicht, darunter vier in Zeitschriften der Top 1 % der CiteScore-Rankings und fünf in Top-3-%-Zeitschriften. Besonders hervorzuheben ist eine aktuelle Veröffentlichung aus Mai 2026 im International Journal of Production Research, die sich mit der Optimierung des Energieverbrauchs für kleine und mittlere Unternehmen befasst.
Die Herangehensweise der Forschungsgruppe ist klar: Es geht nicht nur um Korrelationen, sondern um das Verstehen kausaler Zusammenhänge. Anwendungen reichen von der Identifizierung von Risiken in der Automobillieferkette bis hin zur Optimierung der Bike-Sharing-Infrastruktur in Budapest. Ein Beispiel für den praktischen Nutzen dieser Forschung ist die Zusammenarbeit mit Doktoranden wie Tamas Fekete und Ishansh Gupta sowie Bachelor- und Master-Studierenden, die aktiv in Projekte eingebunden sind.
Innovative Projekte und internationale Anerkennung
Die Gruppe hat sich auch durch Industriepartnerschaften hervorgetan, wie die 560.000 EUR Bundesförderung für NeoHub, einer KI-gestützten Plattform zur Verbindung von Unternehmen mit Forschungseinrichtungen. In den letzten Jahren wurden mehrere Startups gegründet, darunter vier im vergangenen Jahr, die sich mit Klimatechnologie, Medizinprodukten und Business Intelligence befassen. Diese Erfolge sind nicht unbemerkt geblieben: 2026 wurde der Forschungsgruppe der PROFPRENEUR Award beim Bremen Startup Summit verliehen.
International wird die Forschungsarbeit ebenfalls anerkannt. 2023 erhielt die Gruppe eine Einladung zur Causal AI Conference in New York, die die Rolle kausaler Inferenz in der KI hervorhebt. Bei dieser Konferenz wurde auch über die Herausforderungen der Integration von Kausalität in Machine-Learning-Modelle diskutiert. Prof. Stefan Bauer von Helmholtz AI betont die Notwendigkeit, diese kausalen Fragestellungen zu adressieren, um die Grenzen traditioneller Machine-Learning-Modelle zu überwinden, die bisher meist nur basierend auf Korrelationen arbeiten.
Kausales Lernen: Ein Paradigmenwechsel in der KI
Die Idee, dass Künstliche Intelligenz nicht nur Wahrscheinlichkeiten vorhersagen, sondern auch kausale Beziehungen verstehen sollte, gewinnt an Bedeutung. Kausale Inferenz hat das Potenzial, bessere Therapieentscheidungen in der Medizin zu ermöglichen und Verzerrungen sowie unfaire Muster in der KI zu vermeiden. CausalNet, ein gemeinsames Projekt verschiedener Institute, zielt darauf ab, neue Methoden zur Integration von Kausalität in Machine-Learning-Modelle zu entwickeln.
Dieses Team hat sich die Herausforderung gesetzt, kausales maschinelles Lernen in hochdimensionalen Umgebungen effizient zu gestalten und will in den kommenden Jahren das maschinelle Lernen auf ein neues Level heben.
Wie wichtig kausale Beziehungen für die Entscheidungen von KI-Systemen sind, verdeutlicht das Beispiel der Pearl Ladder of Causation. Sie beschreibt die verschiedenen Ebenen des kausalen Verstehens, beginnend bei Assoziationen bis hin zu kontrafaktischem Denken. Der Grundgedanke bleibt: Künstliche Intelligenz muss in der Lage sein, zwischen Ursache und Korrelation zu unterscheiden, um als echte Entscheidungspartner agieren zu können. Studien und Entwicklungen der letzten Jahre zeigen bereits erste Fortschritte in der praktischen Umsetzung kausaler Inferenz.
Die Zukunft der KI könnte also spannend werden, nicht zuletzt dank der Arbeit von Forschungsgruppen wie der von Professor Wicaksono, die den Grundstein legen, um Künstliche Intelligenz im Sinne eines tiefergehenden Verständnisses für Zusammenhänge zu revolutionieren.