Untersuchung von Methoden zur Unsicherheitsbestimmung und ihrer Anwendung auf Active Learning

In der sogenannten Matrixproduktion wird die Produktion dezentral von Software-Agenten in einem Multiagentsystem (MAS) koordiniert. Die Ressourcen-Agenten verhandeln hierbei bspw. mit dem Auftragsagenten über die Erbringung von Wertschöpfungsprozesse, die für die Realisierung des Auftrages nötig sind. Die Freiheit der Reihenfolge der Fertigungsschritte wird hierbei nur durch technische Eigenschaften des Produktes beschränkt. Auf diese Weise kann sich das gesamte System flexibel an nichtgeplante Vorfälle, wie bspw. einen Lieferengpass oder einen Maschinenausfall anpassen. Während dem Konzept in der Automobilindustrie zuerst mit Ablehnung und Skepsis begegnet wurde, gibt es seit ein paar Jahren intensive Bestrebungen, eine Operationalisierung zu erforschen und voranzutreiben. Grundsätzlich sind zu einem effizienten Einsatz noch zahlreiche Fragen offen die es zu erforschen gilt.
In der Forschungsgruppe der HSBI wird seit einigen Jahren in Kooperation mit dem Fraunhofer ISST in Dortmund das Softwaretool RIOTANA® (Realtime Internet-Of-Things ANAlytics) entwickelt, das es unter anderem erlaubt mit agentenbasierter Simulation die hochflexiblen Matrixproduktionen zu modellieren und verschiedene Strategien und Designvarianten dynamisch zu bewerten. Das Tool ist außerdem als Digitaler Zwilling einsetzbar und kann über Sensordatenströme direkt mit der Produktion verbunden und zur Steuerung der operativen Prozesse genutzt werden.

Der / Die Studierende soll im Rahmen des Forschungsmasters Methoden zur Unsicherheitsbestimmung für verschieden Methoden künstlicher Intelligenz (Machine Learning Methoden) anwenden und vergleichen. Danach sollen diese Methoden auf Active Learning Probleme angewendet.

Bezug zum Thema Data Science

Es werden verschiedene Methoden Künstlicher Intelligenz (Machine Learning Methoden) inklusive der Möglichkeiten zur Bestimmung von Unsicherheiten behandelt. Wie in der Kurzbeschreibung erwähnt ist das relevant für eine breite Anwendung von KI. Zusätzlich wird das Thema Active Learning behandelt was besonders für industrielle Data Science Anwendungen von Bedeutung ist.

Verfügbare Ressourcen

Für die Bearbeitung des Projekts kann die Infrastruktur des CfADS Gütersloh genutzt werden, die aus folgenden Komponenten besteht:

• Data-Analytics-Cluster: rechenstarker Computercluster auf Basis des Hadoop-Frameworks
• IoT-Factory: Modellfabrik zur Nachbildung realer Produktionsabläufe und Produktdaten
• Smart Service Lab: Labor zur Entwicklung von Smart Services und Assistenzsystemen auf Basis von Smart Devices

Projektplan

Erstes Semester: Konkretisierung des Forschungsvorhabens. Dies beinhaltet die Einarbeitung in die CfADS-Infrastruktur, in die Methoden und Toolboxen. Ebenso wird mit einer Literaturrecherche, der Einarbeitung in die Thematik und die Formulierung von zu beantwortenden Forschungsfragen begonnen. Erstellung eines Forschungsexposés ist Prüfungsleistung.

Zweites Semester: Die im ersten Semester identifizierten Methoden zur Unsicherheitsbestimmung werden miteinander verglichen (und wenn nötig implementiert). Erstellung eines Papers, das einen Überblick über die Qualität der Methoden gibt ist Prüfungsleistung.

Drittes Semester: Die im zweiten Semester verglichenen und verwendeten Methoden werden auf Active Learning Probleme angewendet. Dabei wird besonders der Einfluss der Qualität der Methoden zur Unsicherheitsbestimmung auf die Active Learning Ergebnisse untersucht. Erstellung eines Papers, mit den Ergebnissen des Active Learnings ist Prüfungsleistung.

Viertes Semester: Im vierten Semester wird eine Methode aus den vorherigen Semestern ausgewählt und intensiv auf Stärken und Schwächen untersucht. Zusätzlich soll ein Vorschlag zur Ausbesserung der Schwächen präsentiert und untersucht werden. Die Masterarbeit inklusive Kolloquium ist Prüfungsleistung.

Zwingend:

• Grundkenntnisse Informatik & Künstliche Intelligenz / maschinelles Lernen
• Erfahrung in Python-Programmierung
• Teamfähigkeit und Interesse an wissenschaftlicher Arbeit
• Eigenständige Arbeitsweise

Optional:

• Erfahrungen in den Bereichen der Mathematik, Statistik (Data-Science) und der Visualisierung von Daten und deren Zusammenhänge

Erwerbbare Kompetenzen

Kompetenzen, die durch das Projekt erworben werden:

• Maschinelle Lernverfahren, speziell im Bereich der Klassifikation und Regression
• Anwendung verschiedener Active Learning Methoden
• Aufbereitung und Präsentation von Analyseergebnissen
• Wissenschaftliches Arbeiten, Schreiben und Präsentieren