Dr. Paulina Sierak

Leitung der Gruppe »Data Efficient Automated Learning«, Abteilung Analytics, Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS

Zum Vortrag: Ressourceneffizienz durch KI vs. Ressourceneffiziente KI
Um Wertschöpfungsketten in der Zukunft nachhaltig zu transformieren, ist Transparenz und damit Digitalisierung der Schlüssel zum Erfolg. Bei zunehmender Digitalisierung der Prozesse und des Produktlebenszyklus, ist es wichtig, die richtigen Stellschrauben zu identifizieren. Aufgrund der oft hohen Komplexität dieser Transformation, ist der Einsatz Künstlicher Intelligenz an vielen Stellen sinnvoll. Der produktive Einsatz dieser Technologien allerdings ist alles andere als trivial: Datenakquise, Modelltraining und Produktivbetrieb von Künstlicher Intelligenz bedeuten zusätzlichen Ressourcenbedarf durch hohe Rechenzeit und viel Speicherleistung, oder auch den langfristigen Einsatz von Domänen- und KI-Experten.

Daher ist es sinnvoll bereits zu Beginn der Projektierung die Ressourceneffizienz der KI selbst – sei es im Hinblick auf Dateneinsatz oder benötigte Fachkräfte – in den Vordergrund zu rücken.
 

Zur Person:
Dr. Paulina Sierak hat nach ihrem Studium Maschinenbau an der Technischen Universität München (TUM) bei der BMW AG München in Kooperation mit dem Laboratorium für Werkstoff und Fügetechnik an der Universität Paderborn sowie dem Leiden Institute of Advanced Computer Science, NL im Bereich der Nutzung von künstlicher Intelligenz (KI) promoviert. Nach anschließenden vier Jahren in unterschiedlichen Funktionen innerhalb der Produktionsplanung bei der BMW AG zog es sie wieder mehr in Richtung KI und Maschinellem Lernen, so dass sie seit 2021 die Gruppe »Data Efficient Automated Learning« des Fraunhofer IIS leitet.

Mit ihrer Gruppe forscht sie zu den Einsatzmöglichkeiten von Maschinellem Lernen (ML) im Industrie-Kontext. Dabei betrachtet sie die Effizienz von KI innerhalb des Machine Learning Lifecycles, der sich über die Daten- und Labelbeschaffung sowie das Training des Machine Learning Modells bis hin zu Deployment und Wartung des KI-Systems streckt. Der Fokus liegt daher auf dateneffizienter Modellierung und Transfer von KI-Lösungen sowie verständlicher Automatisierung der Modellerstellung und des Modellbetriebs.