Die Forschungsgruppe Interpretierbare Lernmodelle (ILM) forscht an datengetriebenen Methoden und Verfahren für die prädiktive Analyse von Zeitreihendaten und Bilddaten von Sensorsystemen aus der industriellen Fertigung und Produktion. Typische Beispiele für industrielle Anwendungsfälle sind Condition Monitoring, Predictive Quality oder Predictive Maintenance. Hier liegt der Forschungsschwerpunkt auf der Transparenz und Interpretierbarkeit der trainierten Lernmodellen, oftmals künstliche neuronale Netze und Deep-Learning-Modelle, um deren inhärenten Black-Box-Charakter zu adressieren und deren robuste und zuverlässige Anwendung im industriellen Umfeld zu ermöglichen. Dabei kommt ein breites Spektrum klassischer Analysemethoden aus dem Bereich der Signalverarbeitung sowie moderner Lernmechanismen des aktuellen Standes der Deep-Learning-Forschung zum Einsatz, die durch das Forschungsfeld der Neurowissenschaften inspiriert sind, und eine neue Perspektive auf künstliche Lernmodelle als Untersuchungsgegenstände empirischer Studien ermöglichen. Dabei steht die interaktive und visuelle Exploration der Lernmodelle und der dazugehörigen Daten als Schlüssel zur besseren Transparenz und Interpretierbarkeit im Vordergrund.