IMLA – Institute for Machine Learning and Analytics

Ein autonomes System ist ein System, welches Entscheidungen autonom treffen kann. Um dies zu erreichen, muss sie ihre Umgebung wahrnehmen, ein Modell der Umgebung entwickeln, das auf ihren Wahrnehmungen basiert, und mit diesem Modell autonom handeln. Es trifft Entscheidungen, die dann in geplante Maßnahmen umgesetzt werden. Diese wirken sich wiederum auf die Umwelt aus. Häufig interagiert ein autonomes System mit anderen autonomen Systemen.

Beispiele sind autonome Fahrzeuge oder autonom agierende Roboter, die nicht unflexibel programmiert sind, sondern auf Veränderungen in ihrer Umgebung reagieren müssen. Zu den Projekten mit autonomen Systemen an der Hochschule Offenburg gehören der Audi Autonomous Driving Cup und Shell Eco Marathon Autonomous Challenge (autonomes Fahren) sowie Sweaty (Roboterfußball).

Im Bereich Big Data untersuchen wir, wie sehr große strukturierte und semi-strukturierte Datenmengen effizient gespeichert und insbesondere analysiert werden können. Für Projekte und Proof-of-Concepts steht ein Cluster mit Hadoop und Spark zur Verfügung, wobei die Datenanalysen mit Hilfe von GPUs (on Hadoop) und R und Spark durchgeführt werden. Die verschiedenen Komponenten von Hadoop und Spark haben dabei ihre eigenen Einsatzgebiete, lassen sich oftmals aber auch mit den anderen Tools oder auch mit externen Systemen verbinden, um so auch komplexere Aufgaben bewältigen zu können. Beispielsweise lässt sich das Anwendungsfeld einer solchen Plattform durch die Einbindung von Tools zum Maschinellen Lernen erweitern.

Im Rahmen eines Projekts mit einem Industrieunternehmen wurde bspw. eine „Big Data Plattform“ zur Speicherung und Auswertung von Produktionsdaten konzeptioniert und realisiert. Durch den Einsatz der Hadoop Technologien wurden aktuell eingesetzte relationale Datenbanktechnologien ergänzt und schnellere (ad-hoc) Analysen sowie Machine Learning auf den Daten ermöglicht.

Die Anwendung von maschinellen Lernverfahren und statistischen Analysen auf betriebswirtschaftliche Fragestellungen ist der Gegenstand von Business Analytics. Anwendungen gibt es in sämtlichen Bereichen eines Unternehmens: Von der Zielgruppenanalyse und Kampagnenoptimierung im Marketing über Absatzprognosen im Verkauf bis hin zur Analyse von Fertigungsprozessen auf der Basis von Sensordaten. Auch traditionelle Themen der Datenanalyse und Speicherung wie Business Intelligence und Data Warehouse sowie deren Erweiterung durch maschinelle Lernverfahren sind Gegenstand unserer Forschungsinteressen. In Zukunft werden Methoden der Verarbeitung natürlicher Sprache und anderer unstrukturierterer Daten zunehmende Bedeutung auch bei betriebswirtschaftlichen Prozessen erlangen.

Unter Learning Analytics versteht man das Messen, Sammeln, Analysieren und Auswerten von Daten über Lernende und Lernprozesse, um mit Hilfe der gesammelten Daten Lern- und Lehrunterstützung anzubieten. Dabei kommen vielfältige Methoden und Vorgehensweisen des Maschinellen Lernens zum Einsatz. Die zugrunde liegenden Daten werden typischerweise in elektronischen Lernumgebungen und in digitalen Prüfungsverwaltungssystemen erzeugt. Grundlage sind z.B. Prüfungsergebnisse, Lerndokumente, Online-Diskussionen, Tests und Übungen. Bei sämtlichen Aktivitäten rund um Learning Analytics sind Persönlichkeit und Daten der Lernenden zu schützen. 

Mit Hilfe von Machine Learning sind Computer in der Lage, auf Basis von Daten selbstständig zu lernen, wie komplexe Aufgaben gelöst werden können, ohne dass diese explizit programmiert werden müssen. Machine Learning Algorithmen nutzen bereitgestellte Trainings- und Testdaten, um nach Mustern zu suchen und ein Modell zu lernen, um damit zukünftig automatisch Entscheidungen zu treffen. Ziel ist es, dass der Computer ohne menschliche Hilfe automatisch lernt und Aktionen anpasst.

Es gibt eine Reihe von unterschiedlichen Machine Learning Methoden, die sich in überwachte und unüberwachte Verfahren sowie Reinforcement Learning unterscheiden. Wir beschäftigung uns mit allen Arten des maschinellen Lernens und insbesondere auch mit Deep Learning.

Im Gegensatz zu herkömmlichen, strukturierten Datenbanken speichern Multimedia-Datenbanken unstrukturierte Daten, vor allem Bild, Ton und Video, aber auch Freitext. Ein Betrachter kann den Inhalt eines Bildes oder eines Videos erfassen, für einen Computer bleibt der Sinn aber verborgen. Infolgedessen ist die Suche nach multimedialen Inhalten in einer Datenbank nur dann sinnvoll möglich, wenn semantische Metadaten vorhanden sind, die multimediale Inhalte beschreiben. Heute können diese Metadaten mit Hilfe von Deep Learning erstellt werden, z.B. sind dies Objekte in Bildern und Videos oder Gesichter / Personen und deren Emotionen. Damit wäre etwa die Suche nach Bildern, Sounds und Videos mit einem Tiger möglich.

Paralleles Rechnen ist Voraussetzung für die praktikable Durchführung vielen Machine-Learning-Techniken. So wird durch Parallelisierung beispielsweise das Training tiefer Neuronale Netze von zum Teil wochenlanger Rechenzeit auf wenige Tage oder Stunden reduziert, was die praktische Anwendung von Deep Learning erst möglich macht. Auch viele andere Verfahren des maschinellen Lernens sind sehr rechenintensiv und erfordern parallele bzw. verteilte Berechnungen.

Wir beschäftigen uns insbesondere mit der massiven Parallelisierung durch Grafikprozessoren (GPUs) und darauf optimierten Algorithmen, z.B. im Bereich Data Clustering. Das IMLA verfügt über mehrere Server, die mit NVIDIA Tesla GPUs für hochparallele Datenverarbeitung ausgestattet sind.

Machine Learning Verfahren können auch im mobilen Kontext, insbesondere auf Smartphones, eingesetzt werden. Dies kann mit Hilfe unterschiedlicher Systemarchitekturen erfolgen: Zum einen können die Algorithmen vollständig auf Servern ausgeführt werden, so dass die zu analysierenden Daten vom Smartphone über geeignete Schnittstellen übertragen werden müssen. Dies erfordert jedoch eine dauerhafte Verbindung mit den Servern. Alternativ dazu kann beim Einsatz bspw. neuronaler Netze lediglich das rechenintensive Lernen auf den Servern erfolgen, das trainierte Netz wird anschließend auf das Smartphone übertragen und dort lokal genutzt werden (vgl. TensorFlow Lite). Ein weiterer Ansatz besteht darin, Machine Learning Anwendungen vollständig auf dem smartphone auszuführen, z.B. unter Verwendung von hardwarenah implementierten SDKs wie z.B. ARCore (Android) oder AR-Kit (iOS).

Webseite des Projekts: www.ki-bohrer.de

Neben den vielfältigen Vorteilen im Betrieb, hat die Errichtung geothermischer Anlagen in Ballungsräumen aber auch ein wesentliches technisches und gesellschaftliches Problem: mit aktuell verfügbaren Verfahren führen die notwendigen Tiefenbohrungen an den urbanen Standorten zu erheblichen und langwierigen Lärmbelästigungen für die Anwohner. Insbesondere da Bohrungen aus technischen und wirtschaftlichen Gründen kontinuierlich, 24 Stunden am Tag, 7 Tage die Woche über Monate hinweg laufen müssen, stellt die Einhaltung gesetzlicher Schallgrenzwerte von typischerweise 35dB (nachts in Wohngebieten) eine enorme technische und logistische Herausforderung dar. Derzeitige Ansätze zum Schallschutz setzen auf eine Kombination aus I) kontinuierlicher Überwachung der Schallemissionen durch akustische Messungen in der Umgebung; II) Optimierung der Baustellenlogistik, z.B. Verlagerung lauter Aktivitäten auf bestimmte Tageszeiten; III) passiven Schalldämmungen durch Schutzwände und Einhausungen der Bohranlagen; IV) aktiver Schallreduktion durch (aktuell) manuelle Wahl von Steuerparametern der Bohrungen.

Während die Ansätze I-III derzeit zum technischen Standard gehören, sehen wir bei der aktiven Schallreduktion noch erheblichen Innovationsspielraum und Bedarf. Mit der aktuell geläufigen manuellen Steuerung kann der umfassenden Komplexität des gestellten Optimierungsproblems nur unzureichend begegnet werden: Schallschutz und technisch sicherer, wirtschaftlicher Vortrieb der Bohrung sind nicht nur gegenpolige Ziele, auch die Überwachung vielfältiger Zustands- und gleichzeitige Anpassung hunderter Steuerparameter ist manuell nur suboptimal umsetzbar. Daher ist es das Ziel dieses Projektes, die Optimierung des Bohrbetriebs mittels aktueller KI-Verfahren zu automatisieren. Wir erwarten durch diesen grundsätzlich neuen Ansatz eine deutliche Verbesserung des Schallschutzes für die Anwohner bei gleichzeitiger Steigerung der Vortriebsgeschwindigkeit. Dadurch soll nicht nur die Akzeptanz von Geothermieprojekten, sondern auch deren Wirtschaftlichkeit erheblich erhöht werden. Beide Verbesserungen gegenüber dem Stand der Technik könnten einen wesentlichen Beitrag zum weiteren Ausbau der Geothermie und somit zur Erreichung der übergeordneten Klimaziele beitragen.

Ziel des Verbundes aus dem IMLA, der Hochschule Karlsruhe und der Hochschule Furtwangen ist es, KMU bei dem speziellen ML-Softwareentwicklungs-Lebenszyklus (ML-SDLC) und den dabei wichtigen Qualitätsindikatoren zu unterstützen. 5 KMU arbeiten mit 3 HAW zusammen, um passende Instrumente zur Bewertung der Daten-Qualität bezüglich repräsentativer Abdeckung des Merkmalsraums sowie zur Bewertung der im Lernprozess erreichten Qualität des erlernten KI-Modells zu erarbeiten. Dies sichert das Produktrisiko des Herstellers KI-basierter Produkte ab und gewährleistet dem Kunden eine quantifizierte Leistung der Produkte hinsichtlich der Entscheidungen der KI.

Projektwebweite: https://q-amelia.in.hs-furtwangen.de/

Prof. Volker Sänger

Liste aller neueren Publikationen des IMLA auf Google Scholar: https://scholar.google.de/citations?hl=de&user=XgNf1vYAAAAJ