Herbstschule der Felix-Klein-Akademie 2020

1. Gruppe mit dem Thema: Multikriterielles Machine-Learning

Um viele Arten von Vorhersagen zu treffen, werden Machine-Learning Modelle eingesetzt. Dies kann z.B. die Vorhersage darüber sein, ob eine Person einen Kredit zurückzahlen wird, oder ob sie die Voraussetzungen für einen Job erfüllt.

Die Vorhersagen dieser Modelle sind nie perfekt, bei Ja-Nein-Vorhersagen kann es falsch-positive und falsch-negative Resultate geben. Die Auswirkungen dieser verschiedenen Arten von Fehlern kann aber je nach Situation deutlich unterschiedlich sein. Das traditionelle Vorgehen ist es, alle Arten von Fehlern in einer gewissen Gewichtung gleichzeitig zu minimieren.

Indem man das Vorhersagemodell z.B. empfindlicher macht, kann man oft eine der Fehlerarten noch stärker reduzieren, während die andere Fehlerart steigt. Man muss also zwischen den Zielen – Reduzierung der falsch-positiven und Minimierung der falsch-negativen Ergebnisse – abwägen. Das ist typisch für die sogenannte multikriterielle Optimierung, bei der man mehrere Zielfunktionen auf einmal optimiert.

Wenn man nicht nur ein einziges Modell erzeugt, sondern eine ganze Auswahl, wählt man also je nach Situation das Modell, bei dem die Abwägung zwischen den verschiedenen Fehlerarten am besten zur Situation passt.

Gruppe 1 – unter Anleitung von Erik Diessel – entwickelt entsprechende Verfahren, mit denen man eine solche Menge von Modellen mit optimaler Abwägung erzeugen kann.

2. Gruppe mit dem Thema: Künstliche Intelligenz im Kontext von Reinforcement Learning

Künstliche Intelligenz ist derzeit in aller Munde und wird immer häufiger bei Entscheidungsproblemen angewendet. Doch was versteckt sich wirklich hinter der Bezeichnung Künstliche Intelligenz?

Dieses Projekt widmet sich dem Gebiet Reinforcement Learning (zu Deutsch bestärkendes Lernen), welches die Grundlage für einen Bereich der Künstlichen Intelligenz bildet. Hier gibt es einen Agenten, der sich in einer Umgebung zurechtfinden soll. Er erkundet seine Umgebung und soll von guten sowie schlechten Ereignissen, die er durch seine Aktionen hervorruft, selbständig lernen. Am Ende des Lernprozesses erhalten wir dann eine KI, die sich in dieser Umgebung gut zurechtfindet.

Ein optimales Beispiel ist Super Mario Bros. für das NES. Hier ist Mario der Agent, der sich in einer 2D-Welt befindet. Wenn wir unseren Agenten mitteilen, dass nach rechts laufen gut und zu sterben schlecht ist, so kann unser Agent lernen ganze Level zu beenden.

Dieses Lernverhalten ist von Menschen und Tieren inspiriert und wirkt dadurch sehr natürlich. Unter Anleitung von Tobias Joosten soll Gruppe 2 in diesem Projekt die Kernidee dieser Lernalgorithmen kennenlernen und eine einfache Künstliche Intelligenz unter Hilfestellung implementieren.

3. Gruppe mit dem Thema: Optimale Vernadelung von Vliesstoffen

Die Nadelvliestechnologie ist ein häufiges Verfahren zur Herstellung von Vliesstoffen. Zunächst wird aus Kurzfasern eine flächige Struktur, das sogenannte Flor, geformt. Damit die Fasern zusammenhalten muss das Flor verfestigt werden. Dies geschieht durch Vernadelung: Eine große Anzahl von Nadeln ist in einem bestimmten Muster auf einem Nadelbrett angeordnet. Das Nadelbrett hebt und senkt sich fortlaufend, während das Vlies auf einem Transportband darunter hinwegbewegt wird. Dadurch stechen alle Nadeln immer wieder in das Vlies. Der Abstand, um den sich das Transportband zwischen zweimaligem Einstechen weiterbewegt, nennt man Vorschub pro Hub (typischerweise ca. 3-12 mm). Durch die Vernadelung werden die einzelnen Fasern miteinander verwirrt und erzeugen Festigkeit. 

Neben der Festigkeit spielt aber für viele Anwendungen auch der optische Eindruck eine entscheidende Rolle, denn die Nadeleinstiche hinterlassen unweigerlich ein Muster. Meistens wird dabei ein möglichst homogenes und unauffälliges Muster gewünscht.

Die entscheidende Frage, die sich Gruppe 3 zusammen mit Manuel Ettmüller stellt ist also: Wie sollten die Nadeln auf dem Nadelbrett angeordnet sein, um gute Vliesmuster zu erhalten? Auf dem Weg dahin ergeben sich eine Reihe von weiteren Fragen:

• Wie berechnet sich das Vliesmuster aus dem Nadelbrettmuster?
  
• Nach welchen Kriterien können gute Vliesmuster bewertet werden?
  
• Wie lässt sich die Anordnung der Nadeln auf dem Nadelbrett optimieren?
  
• Kann ein Nadelbrett auch für verschiedene Vorschübe pro Hub gute Vliesmuster liefern? Denn in der Praxis wird der Vorschub pro Hub oft verändert, um andere Produkte auf der gleichen Maschine herzustellen. Dazu wäre es gut, wenn das Nadelbrett nicht gewechselt werden müsste.

4. Gruppe mit dem Thema: Neural Dialog Systems

Künstliche Intelligenz, insbesondere neuronale Netze, ist heute eines der beliebtesten Forschungsthemen. Sie finden Anwendung in einer Vielzahl von Aufgaben wie Bilderkennung, Objekterkennung, neuronale Übersetzung und Texterzeugung. Bei vielen Problemen der Verarbeitung natürlicher Sprache, wie z.B. Textzusammenfassung, Übersetzung, Beantwortung von Fragen, zeigen neuronale Netze bereits eine hohe Leistungsfähigkeit. Manchmal setzen sie die Aufgaben sogar besser um, als Menschen das können. Viele Firmen verwenden zum Beispiel Dialog-Agenten, die neuronale Netze im Backend haben, um mit Kund:innen zu kommunizieren. Diese Modelle finden Informationen und Antworten schneller und oft genauer als Menschen.

Aber was ist mit der Modellierung natürlicher Sprache? Hier sind die Maschinen leider immer noch nicht gut genug. Es gab verschiedene Ansätze zur menschenähnlichen Textgenerierung. Selbst riesige Modelle konnten das menschliche Niveau nicht erreichen, aber einige kamen dem zumindest nah. Man kann inzwischen einige sehr interessante maschinengenerierte Textbeispiele finden, wie Geschichten, Nachrichtenartikel oder sogar Lieder.

Daria Fokina wird sich mit Gruppe 4 auf Dialogsysteme konzentrieren. Viele derzeitige Arbeitsmethoden sind aufgabenspezifisch und templatebasiert. In einem allgemeinen Kontext machen Texte, die von neuronalen Netzmodellen erzeugt werden, in den meisten Fällen wenig Sinn. Die Forschung ist jedoch immer auf der Suche ein universelles Modell für verschiedene Testfälle und verschiedene Kontexte zu finden. Die Arbeit in dieser Gruppe findet in Englisch statt.