Unsere Plattform FIT.ML bietet Beschreibungen angewandter Beispiele und Referenzimplementationen unserer ML-Innovationen: ein Service, um ML verfügbar zu machen.
Hier finden Sie verschiedene Referenzimplementationen sortiert nach unseren Innovationsgebieten. Alternativ stehen hier alle Notebooks auf GitHub zum Download für Sie bereit. Diese Sammlung wird im Laufe unseres Projekts stetig erweitert.
Innovationsgebiet "Lernen auf Datenströmen"
Restlebenszeitvorhersage mittels maschinellen Lernens
Den Ausfallzeitpunkt von Maschinen im Voraus zu kennen, ist sowohl für die Wartungs- als auch die Auftragsplanung eine große Erleichterung. Ein maschinelles Lernmodell dafür zu entwickeln, ist allerdings nicht ganz einfach. Deswegen entwickeln die Kolleg*innen der Universität Paderborn ein Tool, das automatisch Kombinationen und Konfigurationen von verschiedenen ML-Verfahren generiert, die auf den gegebenen Daten möglichst gute Vorhersagen liefern.Mehr Informationen erhalten Sie hier!
Hier geht es direkt zur Beispielimplementation dieser Lösung.
Vorausschauende Wartung: Systemgesundheit von Produktionssystemen
Viele Produktionssysteme enthalten wichtige Komponenten, die mit der Zeit verschleißen. Schätzungen der Lebensdauer dieser Komponenten sind nicht immer genau, und eine nicht rechtzeitig ausgetauschte Komponente führt zu unerwünschten Ausfallzeiten. Unsere Kollegen des Instituts für industrielle Informationstechnik (inIT) der Technischen Hochschule Ostwestfalen-Lippe zeigen, wie der Verschleiß mittels maschineller Lernverfahren automatisch modelliert und so Ausfallzeiten vermieden werden können.Mehr Informationen erhalten Sie hier!
Hier geht es direkt zur Beispielimplementation dieser Lösung.
Transferlernen für Handprothesen im Alltagseinsatz
Intelligente Prothesensteuerung basiert auf der Messung von Muskelsignalen an der Hautoberfläche. Sensorverschiebungen, die besonders beim An- und Absetzen von Prothesen auftreten können, führen jedoch zu Veränderungen der gemessenen Signalmuster. Dies stört eine zuverlässige Steuerung. Wie kann Maschinelles Lernen da helfen?Mehr Informationen erhalten Sie hier!
Hier geht es direkt zur Beispielimplementation dieser Lösung.
Reject Optionen für Partikelfilter basiertes Objekttracking in medizinischen Anwendungen
Zuverlässiges Objekttracking ist eine Herausforderung in diversen Anwendungsgebieten. Ein wichtiger Aspekt dieser Verlässlichkeit ist, dass das Tracking automatisch erkennt, wenn es zu ungenau wird. Dies ist besonders essenziell in medizinischen Anwendungen, da hier zu große Ungenauigkeiten oft kritische Folgen haben. Maschinelles Lernen bietet eine automatisierte Lösung, die direkt erkennt, wenn das Tracking zu ungenau wird.Mehr Informationen erhalten Sie hier!
Überwachtes Transferlernen zur Eventdetektion in Videodaten am Beispiel von Fußballübertragungen
Die manuelle Markierung von Events in Videos ist extrem zeitaufwändig. Eine vollständige Markierung eines Fußballspiels erfordert zum Beispiel oft 20 Stunden oder mehr. Das Projekt "Kontinuierliche Event Detektion aus Sportübertragungen", das in Kooperation mit der Firma matchmetrics GmbH durchgeführt wurde, widmete sich dem automatischen Erkennen von Sportevents in Videodaten mithilfe Neuronaler Netze.Mehr Informationen erhalten Sie hier!
Intelligente Datenanalyse zur Vorhersage des Verkehrsaufkommens
Staus und erhöhtes Verkehrsaufkommen werden ein immer größeres Problem in Städten. Moderne Kreuzungsanlagen sind mit Detektoren ausgestattet, und liefern so Daten zum Verkehrsfluss. Diese werden schon heute erhoben, aber nicht intelligent genutzt. Das Projekt "Intelligente Datenanalyse zur Vorhersage des Verkehrsaufkommens", das in Kooperation mit dem Amt für Verkehr der Stadt Bielefeld durchgeführt wurde, widmete sich der Frage, wie mit den vorhandenen Daten Systeme entwickelt werden können, um Stau zu reduzieren.Mehr Informationen erhalten Sie hier!
Optimierung und Materialflussanalyse in der industriellen Produktion
In vielen industriellen Anwendungen werden Waren durch auf einem Träger durch die komplette Produktion transportiert. Der Warenbestand bleibt dabei jedoch nicht immer gleich und variiert je nach Auftragslage. Damit stellt die Planung der reell benötigten Warenträger eine besondere Herausforderung da. Moderne Methoden der Selbstoptimierung ermöglichen Planbarkeit verbessern somit den Produktionsprozess. Das Projekt "Optimierung und Materialflussanalyse in der Produktion", das in Kooperation mit einem industriellen Vertreter im Bereich der Oberflächentechnik entstanden ist, stellt eine solche Lösung vor.Mehr Informationen erhalten Sie hier!
ML-basierte Vorhersage von Gelenkbewegungen
Intelligente Assistenzsysteme wie Prothesen, Orthesen, oder Exoskelette sind wegweisende technologische Innovationen für Pflege und gesundheitliche Versorgung. Für deren Entwicklung ist die Modellierung des biologischen Systems Mensch unablässig. DIe Kollegen der FH Bielefeld entwickeln ein Vorhersagemodell für die Bewegung von Gliedmaßen mithilfe von Elektromyographiesignalen. Bei richtiger Parametrierung kann dieses biologisch inspirierte Modell die Gliedmaßenbewegung – genauer die Bewegung eines Gelenks – vorhersagen.Mehr Informationen erhalten Sie hier!
Hier geht es direkt zur Beispielimplementation dieser Lösung.
Innovationsgebiet "Lernen mit Vorwissen"
Lernen auf Basis von Manipulations-Primitiv Netzen für die Roborterbasierte Montage
Motorische Fähigkeiten, die jedes Kleinkind beherrscht, sind eine große Herausforderung für die Robotik. Gerade Montageprozesse, die kraftbasierte Interaktionen erfordern, sind sehr aufwändig zu programmieren. Wir arbeiten daher an Grey Box Learning Methoden, die das Lernen von Montageprozessen mit der Progammierung des Roboterverhaltens kombinieren. So kann das Lernen beschleunigt und die Progammierung von Montageprozessen vereinfacht werden.Mehr Informationen erhalten Sie hier !
Deep-Learning-basierte Rauschunterdrückung und Rekonstruktion von Mikroskopiebildern
Eines der leistungsstärksten Werkzeuge zur Abbildung biologischer Zellen ist die Fluoreszenzmikroskopie. Hierbei werden Bilder generiert, indem die Proben mit Licht bestimmter Wellenlängen angeregt werden. Allerdings sind viele biologische Zellen sehr empfindlich und werden daher nur mit kurzen Belichtungszeiten oder eingeschränkter Laserleistung erfasst, was zu verrauschten Ergebnissen führt. Unsere Kollegen der FH Bielefeld entwickelt ML-basierte Methoden zur Rauschunterdrückung und Rekonstruktion solcher Bilder.Mehr Informationen erhalten Sie hier (auf Englisch)!
Zwei jupyter Notebooks geben Überblick über den zugehörigen Code: Hier können Sie sich das Trainieren eines Modells ansehen. Unter diesem Link zeigen wir Ihnen, wie das Modell getestet wird.
Innovationsgebiet "Interpretierbarkeit von Modellen"
Intervall-basierte interpretierbare Entscheidungsbäume für die Zeitreihenklassifikation
Durch die Digitalisierung und den Einsatz von immer mehr Sensoren existiert in der industriellen Praxis eine Vielzahl kontinuierlicher Datenströme. Die automatisierte Auswertung dieser Zeitreihen mithilfe von maschinellem Lernen bietet enormes Potential. Allerdings wird die Interpretierbarkeit dieser komplexen Modelle of vernachlässigt, obwohl dies ein wichtiges Kriterium für den Einsatz spielen kann. Unsere Kollegen des Institut für industrielle Informationstechnik in Paderborn entwickeln Ansätze, interpretierbare Klassifikatoren zur Zeitreihenklassifikation zu entwerfen.Mehr Informationen erhalten Sie hier !
Kontrafaktische Erklärung zur Interpretation automatisierter Kreditvergabe
Maschinelle Lernverfahren ermöglichen die Automatisierung von Entscheidungsprozessen auf Grundlage von Daten. Ein Beispiel einer solchen automatisierten Anwendung ist die Beurteilung von Kreditanträgen. Den Grund für eine bestimmte Entscheidung des Systems zu verstehen ist jedoch oft nicht einfach, da viele ML-Modelle nicht direkt interpretierbar sind. Die Berechnung kontrafaktischer Erklärungen - sogenannten "counterfactuals" - kann solche Einblicke ermöglichen.Mehr Informationen erhalten Sie hier!
Hier geht es direkt zur Beispielimplementation dieser Lösung.
Visualisierung von trainierten Klassifikatoren auf hochdimensionalen Daten
Automatische Klassifikation erfährt zunehmend Anwendung in vielen Bereichen der Praxis. Beispiele sind hier das Erkennen von Objekten auf Bildern (wie z.B. Straßenschilder) oder die Einschätzung, ob einer Maschine in naher Zukunft ein Ausfall bevorsteht. Für die meisten gängigen Klassifikationsmodelle, wie z.B. tiefe neuronale Netze, ist es jedoch schwierig einen Einblick in das Gelernte zu erhalten. Die neue Methode DeepView ermöglicht nun diesen Einblick: Die Daten werden zusammen mit den Entscheidungsgrenzen des Klassifikators visualisiert.Hier geht es direkt zur Beispielimplementation der DeepView Toolbox. Die entsprechende wissenschaftliche Publikation können Sie hier abrufen.

© 2020 International Joint Conferences on Artificial Intelligence; Reference: Schulz, A., Hinder, F., & Hammer, B. (2021, January). DeepView: visualizing classification boundaries of deep neural networks as scatter plots using discriminative dimensionality reduction. In Proceedings the Twenty-Ninth International Conference on International Joint Conferences on Artificial Intelligence (pp. 2305-2311).
Wahrscheinlichkeitsschätzung für Neuronale Netze mit Platt Scaling
Viele Machine Learning Modelle ermöglichen es zwar, eine Entscheidung zu treffen, bieten aber keine Möglichkeit zur Einzuschätzung der Sicherheit dieser Entscheidung. Besonders wichtig ist dies in Bereichen mit geringer Fehlertoleranz, wie zum Beispiel in der Luftfahrt. Eine Möglichkeit, eine solche Entscheidungssicherheit zu schätzen, bietet die Platt Scaling-Methode und ermöglicht so weitergehendes Verständnis.Hier geht es direkt zur Beispielimplementation der Platt Scaling-Methode bei einem long short-term memory (LSTM) Netz.

Ensemble-basierte Quantifizierung aleatorischer und epistemischer Unsicherheit
Methoden des maschinellen Lernens haben sich in den letzten Jahren in vielen Anwendungsgebieten etabliert und stark an praktischer Bedeutung gewonnen. Doch trotz aller Erfolge werden solche Methoden nach wie vor auch mit Skepsis betrachtet, vor allem in sicherheitskritischen Anwendungen, in denen Fehlentscheidungen fatale Folgen haben können. Wichtig für solche Anwendungen ist es, dass ein Lernverfahren sich seiner eigenen Unsicherheit bewusst ist und diese adäquat repräsentieren kann. Die Universität Paderborn entwickelt maschinelle Lernverfahren zur Erzeugung von Modellen, die jede Prädiktion mit Information über das jeweilige Ausmaß an Unsicherheit ergänzen.Mehr Informationen erhalten Sie hier!
Hier geht es direkt zur Beispielimplementation dieser Lösung.

Um auf Unsicherheiten angemessen reagieren zu können, müssen unterschiedliche Arten von Unsicherheit unterschieden werden. Epistemische Unsicherheit wird durch einen Mangel an Wissen verursacht, aleatorische Unsicherheit beschreibt Zufälligkeit im engeren Sinn.
Metric Learning mit SAM für erklärbaren Featuredrift
Daten können sich im Laufe der Zeit ändern. Dies kann zu einer schlechten und herabsetzenden Vorhersageleistung in Vorhersagemodellen führen, die eine statische Beziehung zwischen Eingabe- und Ausgabevariablen annehmen. Self-adjusting memory mit kNN clustering (SAM-kNN) ermöglicht das Lernnen eines Modells, das sich ohne adaptieren von Modellparametern der Komplexität des Lernproblems anpasst und mit Konzeptänderungen (concept drift) umgehen kann. Dies erlaubt also die Anpassung an mögliche Konzeptänderungen, es ist aber oft schwierig einzusehen welche Änderungen stattfanden oder sie für Menschen verständlich auszudrücken. Ziel dieses Begleitprojekts ist es, eine Erweiterung von SAM-kNN mit metric learning zu entwickeln, die auch Konzeptänderungen insbesondere im Featureraum erklären kann.Mehr Informationen erhalten Sie hier!
Hier geht es direkt zur Beispielimplementation dieser Lösung.

Innovationsgebiet "Benchmarking"
Generierung synthetischer Daten am Beispiel elektromyographischer Messungen für intelligente Prothesensteuerung
Viele Ansätze des maschinellen Lernens erforderten große Datensätze, um brauchbare Ergebnisse zu generieren. Im Realeinsatz sind solche Datenmengen jedoch nicht immer verfügbar, wenn z.B. die Nutzung der Daten durch Datenschutzrichtlinien verhindert wird oder die Anzahl der vorliegenden Daten unzureichend ist. Hier zeigen wir Ansätze zur Generierung synthetischer Daten, deren Verteilung und Struktur möglichst genau der Realität entsprechen.Mehr Informationen erhalten Sie hier!
Hier geht es direkt zur Beispielimplementation dieser Lösung.

© Universität Bielefeld, CoR-Lab
Gütekriterien für Machinelles Lernen im Bereich der Robotik
Verfahren des maschinellen Lernens ermöglichen eine schnelle und genaue Analyse und Verarbeitung großer Datenmengen. Maschinelles Lernen und künstliche Intelligenz (KI) zeigen daher in Anwendungsbereichen der Industrie 4.0, und insbesondere der industriellen Robotik großes Potenzial. Diese neuen Methoden bringen aber auch neue Herausforderungen für einen sicheren und zuverlässigen Einsatz mit sich. Unsere Kollegen Marco Braun und Johannes Kummert setzen sich mit der Frage auseinander, welche Gütekriterien Machinelles Lernen im Bereich der Ronotik erfüllen muss.Mehr Informationen erhalten Sie hier!
Innovationsgebiet "Eingebettetes Lernen"
Intelligente Unterstützung bei der Medikamentendosierung von Parkinson-Patienten: PD Assist
KI leistet schon jetzt in der Medizin einen wichtigen Beitrag, und wir forschen aktiv daran, mithilfe neuer Technik das Leben von Patienten im Alltag zu unterstützen. Die Anwendung PD Assist unterstützt Parkinson-Patienten bei ihrer Behandlung. Mithilfe von tragbaren elektronischen Geräten wie Smart Watches und Smartphones lassen sich Bewegungsanalysen im Alltag erfassen und auch Störungen physiologischer Bewegungsabläufe erkennen. So bietet diese Anwendung eine Hilfestellung bei der Medikamentendosierung.Mehr Informationen erhalten Sie hier!