Algorithmik

In der Säule Algorithmik des KISS-Projekts werden Basismodule zur Programmierung und Arbeitsweise von Machine Learning (ML) Algorithmen entwickelt, wobei ein besonderer Fokus auf die Programmiersprache Python gelegt wird. Durch den Einsatz von jupyter Notebooks wird eine webbasierte Umgebung vorgestellt, die es auch ohne Programmiervorkenntnisse erlaubt ML-Algorithmen zu testen.

Machine Learning bezeichnet den Prozess Wissen aus Daten zu extrahieren und ist ein Teilgebiet der Künstlichen Intelligenz. ML-Algorithmen erzeugen nach einer Trainingsphase ein Modell, welches auf neue Datenpunkte angewendet werden kann.

Die ML-Algorithmen können in drei große Bereiche unterteilt werden:

  • Supervised Learning (SL) Algorithmen: Bei diesen Verfahren hat man genug Beispiele für Ein- und Ausgaben eines Systems gesammelt und möchte einer Maschine beibringen die bekannten Ausgaben zu erzeugen, wenn nur die Eingaben präsentiert werden. Diese Algorithmen benötigen viel Arbeit für die Vorbereitung der Trainingsdaten, liefern aber dafür sehr gute Ergebnisse, die leicht bewertet werden können.
    Beispiele für SL-Algorithmen sind: K-Nearest Neighbor, Decision Trees, Neuronale Netzwerke, Regressionsverfahren, Deep Learning, CNN, RNN, YOLO
  • Unsupervised Learning (UL) Algorithmen: Diese Algorithmen konzentrieren sich darauf Probleme zu lösen, ohne von gekennzeichneten Daten abhängig zu sein. Da man für die Vorbereitung der Daten keinen großen Aufwand hat, muss das Ergebnis des Models von einem Experten mit Domänenwissen bewertet werden.
    Beispiele für UL-Algorithmen sind: Autoencoder, Clustering-Algorithmen, PCA und tSNE, Matrix Factorization, Generative Models, ChatGPT
  • Reinforcement Learning (RL) Algorithmen: Wenn eine Folge von Aktionen ausgeführt werden soll, um ein vorher definiertes Ziel zu erreichen, kommen RL-Algorithmen zum Einsatz. Diese können eine Sequenz von Aktionen erzeugen, die dem Nutzer einen möglichst großen Gewinn bringen kann.
    Beispiele für RL-Algorithmen sind: DQN, SAC, Montecarlo Tree Search

Neben den ML-Algorithmen sollen im KISS-Projekt auch die wichtigsten ML-Bibliotheken wie sklearn, Tensorflow und Pytorch vorgestellt und in unterschiedlichen Teilgebieten (Musik, Energiesvorhersage, Objekterkennung) eingesetzt werden.

Bei der Vorstellung und dem Einsatz der ML-Algorithmen wird auf Aspekte wie Optimalität, Genauigkeit und Erklärbarkeit anhand von praktischen Beispielen aufmerksam gemacht.

Prof. Dr. Maja Temerinac-Ott

Prof. Dr.-Ing. Maja Temerinac-Ott studierte Informatik an der Universität Freiburg, promovierte auch dort und hat als Postdoc Forschungserfahrungen am FRIAS in Freiburg, der Carnegie Mellon University in Pittsburgh, USA sowie der Universität Straßburg in Frankreich gesammelt. Anschließend war sie Projektleiterin in dem Startup ScreenSYS GmbH in Freiburg. Heute ist Sie Professorin für Maschinelles Lernen an der Fakultät für Informatik an der Hochschule Furtwangen (HFU) und beschäftigt sich in Ihrer Forschung mit dem Zusammenspiel zwischen KI und Robotik. Insbesondere möchte Sie Anwendungen entwickeln die KI benutzen, um nachhaltig das Leben von Menschen zu verbessern.

maja.temerinac-ott(at)hfu.eu

Jannik Ivosevic

Jannik Ivosevic absolvierte sein Bachelorstudium in Allgemeiner Informatik mit Schwerpunkt Software Engineering und sein Masterstudium in Informatik an der Hochschule Furtwangen. Derzeit ist er als akademischer Mitarbeiter in der Fakultät Informatik an derselben Hochschule tätig. Seine Forschungsinteressen liegen im Bereich Machine Learning und Künstliche Intelligenz.

jannik.ivosevic(at)hfu.eu

Datenbanken

Im Rahmen des KISS-Projektes wird das Institut IDACUS das Thema Datenmanagement bearbeiten. Datenmanagement ist eine Grundlagenkompetenz in der KI und beschäftigt sich mit der Art und Weise, wie Daten verarbeitet, aufbereitet und analysiert werden. Durch wissenschaftlich fundierte Methoden, Prozesse, Algorithmen und Systeme können Erkenntnisse und Muster aus strukturierten und unstrukturierten Daten abgeleitet werden. Themen, die in dem Rahmen bearbeitet werden sind:

  • Datenintegration, um Daten aus verschiedensten Quellen zu verknüpfen, die unterschiedlichsten Datenformate zu harmonisieren und zur Verfügung zu stellen. Anwendungsmethoden sind Queing Systeme, Streaming/Batch Data Infrastrukturen, Data Pipelines, ETL-Werkzeuge und Data-Preparation-Verfahren.
  • Datenqualität, um Daten zu bewerten, aufzubereiten und zu integrieren. Anwendungsmethoden sind Data-Cleaning-Algorithmen, Matching-Regeln, Feature-Engineering-Verfahren, Datenqualitätsmetriken und Augmentierungsansätze.
  • In Data Mining werden Data-Mining-Algorithmen und verwandten Methoden der Wissensextraktion, Wissensrepräsentation und Argumentation behandelt. Es werden mathematische Modelle und Algorithmen behandelt, die auf große Datenmengen angewendet werden können. Zu den Methoden gehören Prozesse für Häufigkeits- und Assoziationsanalysen (Rule Mining), Knowledge Discovery in Databases (KDD), Information Retrieval, Text-, Web- und Process-Mining, Zeitreihenanalyse und das entsprechende Reporting.
  • Data Governance und IT-Sicherheit Aspekte erörtert Fragen zu Sicherheit, Schutz, Zuverlässigkeit, Integrität, Vertraulichkeit und Verfügbarkeit, Verifikationsmöglichkeiten der genutzten IT-Systeme.

Prof. Dr. Christoph Reich

Lorem ipsum dolor sit amet, at mei dolore tritani repudiandae. In his nemore temporibus consequuntur, vim ad prima vivendum consetetur. Viderer feugiat at pro, mea aperiam

maja.temerinac-ott(at)hfu.eu

Matthias Lermer

Lorem ipsum dolor sit amet, at mei dolore tritani repudiandae. In his nemore temporibus consequuntur, vim ad prima vivendum consetetur. Viderer feugiat at pro, mea aperiam

jannik.ivosevic(at)hfu.eu

Soziotechnik

In der Soziotechnik werden die Wechselwirkungen zwischen KI-Systemen und der Gesellschaft betrachtet und wie diese in Lerneinheiten vermittelt werden können. Der Fokus liegt hierbei auf technischen Studiengängen, um zukünftigen Entwicklerinnen und Entwicklern von KI- Systemen das Rüstzeug mitzugeben, individuelle, soziale und ökologische Auswirkungen von KI-Systemen schon bei deren Entwicklung und Design zu berücksichtigen. Die Lerneinheiten zur Soziotechnik stellen einen didaktisch-methodisch sinnvollen Einstieg auf übergeordneter Ebene in die Thematik dar.

Prof. Dr. Stefanie Betz

Prof. Dr. Stefanie Betz studierte Informationswirtschaft am Karlsruher Institut für Technologie (KIT), promovierte auch dort und hat in Schweden am Software Engineering Research Lab (SERL at BTH) ihren PostDoc verbracht. Anschließend war sie Nachwuchsgruppenleiterin der Gruppe „nachhaltiges Software Systems Engineering“ am KIT. Heute ist Sie Professorin für Sozioinformatik an der Fakultät für Informatik an der Hochschule Furtwangen (HFU) und will in ihrer Forschung herausfinden, wie individuelle, soziale und ökologische Auswirkungen von Softwaresystemen schon beim Design berücksichtigt und verbessert werden können.

stefanie.betz(at)hfu.eu

Dr. Dominic Lammert

Dr. Dominic Lammert studierte Ethnologie und Literatur in Wien und Freiburg (B.A.), dann Medieninformatik in Bielefeld und Aix-en-Provence (M.Sc.). Anschließend war er drei Jahre in der IT/Digitalabteilung des Verlags Herder und ein weiteres Jahr in Startups tätig. Heute arbeitet er an der Hochschule Furtwangen als Akademischer Mitarbeiter im Bereich Sozioinformatik und ist Projektkoordinator im Rahmen von KISS (Künstliche Intelligenz Services Systeme), einem Kooperationsprojekt mit der Hochschule für Musik Trossingen. Er promovierte im Fach Software Engineering in Kooperation mit der LUT University (Finnland) über die Umsetzung von Nachhaltigkeit in der Softwareindustrie, wobei SUSO als Nebenprojekt entstand.

dominic.lammert(at)hfu.eu

Didaktik

Die didaktische Säule hat zum Ziel, Lehrenden Werkzeuge und Hilfsmittel auf Grundlage von Künstlicher Intelligenz zur Verfügung zu stellen. Dabei geht es darum, Lehrenden beizubringen, wie sie diese KI-Methoden und -Tools nutzen können. Es soll demnach gezeigt werden, wie KI in den Unterricht einbezogen werden kann. Zudem sollen OERs zur Verfügung gestellt werden. Diese Säule ist auch dafür verantwortlich, die entwickelten Ansätze zu überprüfen und sich mit dem Bereich „Learning Analytics“ zu beschäftigen. Des Weiteren sollen die Tools zur Verbesserung des Unterrichts erweitert werden.

Prof. Dr. Edgar Seemann

E-Learning and E-Teaching Tools, Machine Learning, Programming, Linux/Open Source

edgar.seemann(at)hfu.eu

Melanie Wittmann

melanie.wittmann(at)hfu.eu