ScienceCodeSlam_web
Wie smart ist ein Smart Home?
Smart Home Technologie kommt in einer wachsenden Anzahl von Haushalten zum Einsatz. Doch wie smart ist ein Smart Home wirklich und welche Potenziale birgt Maschinelles Lernen auf dem Weg zur wahrhaft intelligenten Haushaltstechnologie? Im Rahmen des Science Code Slams analysierten Wissenschaftler*innen des ML2R einen bislang unerforschten Datensatz mit über 50 Millionen Einzelereignissen aus drei Jahren. Ihnen gelang es hierbei, Anomalien im Datensatz zu erkennen und Potenziale intelligenter Applikationen zu identifizieren.
Gemeinsam lachen: Kreatives Maschinelles Lernen zur Witzegenerierung
Um einen Witz zu verstehen, muss der menschliche Verstand aktiv und kreativ denken, um Wissen abzurufen, zu assoziieren und zu konstruieren. Kann auch Künstliche Intelligenz einen Witz erzeugen? Diese Frage stellten sich ML2R-Forschende im Rahmen des Science Code Slams. Sie verwendeten einen im ML2R entwickelten neuartigen Ansatz Maschinellen Lernens, welcher neuronale und symbolische Ansätze vereint. Anhand einer interaktiven Website illustrierte das Team das komplexe Geflecht von Wissen und Emotionen, welche bei Witzen zum Tragen kommt.
Zur (Bayesian) Basis
Autoencoder sind künstliche neuronale Netze, die Repräsentationen von Daten erlernen. Diese Repräsentationen machen die Daten so leichter nutzbar und verständlich. Anhand von künstlich erzeugten Datensätzen untersuchten die Forscher, wie man mit Hilfe von trainierten Autoencodern iterativ neue, statistisch ähnliche Daten erzeugen kann. Sie wählten zunächst eine zufällige Startrepräsentation und dekodierten und kodierten sie dann wiederholt. Nach dem letzten Dekodierschritt hatten die Forscher neue künstliche Daten erhalten, die den Trainingsdatensätzen statistisch ähnlich waren.
Erklär es mir! Interaktive Website zur Erklärung Neuronaler Netze
(Tiefe) Neuronale Netze werden vielfach in der Praxis eingesetzt, um ML-Verfahren auf realen Daten zu implementieren. Insbesondere in sicherheitskritischen Bereichen, zum Beispiel im autonomen Fahren, bedarf es hierbei der Erklärung für die Vorhersagen eines Modells. Forschende des ML2R programmierten eine interaktive Website, die es Nutzer*innen ermöglicht, Punkte eines Datensatzes selektiv zu verändern. In Echtzeit erhalten die Nutzer*innen visualisierte Erklärungen über die resultierenden Veränderungen des Modellverhaltens.
Hack den Verkehr: Die Gefahr feindlicher Angriffe auf ML-Technologien
Insbesondere in sicherheitsrelevanten Anwendungsbereichen ist IT-Sicherheit für ML-Technologien von höchster Bedeutung. So könnten feindliche Angriffe auf Vorhersagemodelle, etwa im Straßenverkehr, zu großem Schaden führen. Dies zeigten ML2R-Wissenschaflter*innen anhand eines Datensatzes zu Verkehrsschildern. Sie untersuchten zudem verschiedene Verteidigungsmechanismen gegen die Angriffe.
Effektive Wissenschaftskommunikation: Einen guten Blogbeitrag schreiben
Technologien und Forschungsergebnisse Maschinellen Lernens sowie Künstlicher Intelligenz in Unternehmen und Gesellschaft tragen: Mit diesem Ziel startet das ML2R im Jahr 2021 seinen deutschsprachigen Blog zum Maschinellen Lernen. Im Rahmen einer Science Code Slam Session schrieben die Teilnehmenden gemeinsam Blog-Beiträge und widmeten sich den Voraussetzungen erfolgreicher Wissenschaftskommunikation.
Versteckte Potenziale des Maschinellen Lernens auf Quantencomputern
Im Kompetenzzentrum ML2R forschen Wissenschaftler*innen zu den Potenzialen von Quantentechnologie für Maschinelles Lernen. Denn: Quantencomputer können ML-Verfahren in ihrer Ausführung maßgeblich beschleunigen. Eine Arbeitsgruppe des Science Code Slams entwarf ein hybrides Modell, welches Aspekte klassischer ML- sowie neuartiger Quantentechnologie kombiniert. Das Modell wurde anschließend auf einem realen Datensatz trainiert.