Künstliche Intelligenz beschleunigt Simulation, Design und Optimierung. Klassische ML-Modelle zeigen jedoch meist nicht, wie sicher eine einzelne Vorhersage tatsächlich ist. Probablistisches Machine Learning und Uncertainty Quantification (UQ) schaffen hier mehr Transparenz.

Im Webinar erfahren Sie anhand praxisnaher Beispiele, wie sich Unsicherheiten quantifizieren, kritische Betriebszustände identifizieren und Test- oder Trainingsdaten gezielter auswählen lassen.

Erfahren Sie im englischsprachigen Webinar am 07.10.2026 um 11 Uhr mehr zu folgenden Punkten:

• Brückenschlag zwischen Simulation, Machine Learning und realen Daten
• Aufbau von Engineering-Surrogatmodellen mit begrenzten Datenmengen
• Mehr Transparenz durch Unsicherheitsquantifizierung in KI-Vorhersagen
• Schnellere und fundiertere Designexploration mit Unsicherheitsinformationen
• Praxisbeispiele aus Produktentwicklung und Betrieb autonomer Systeme

Ihr Referent

Alexander Seidel

Lead Artificial Intelligence
CADFEM Germany GmbH

Bildquelle: CADFEM Germany GmbH