MachineData: Machine

cyvy Research Project

Beim maschinellen Lernen geht es um die Daten. Maschinen, denen große Datensätze zugeführt werden, lernen, Regelmäßigkeiten in den Daten selbstständig zu entdecken – so wie das Gehirn aus der immer wiederkehrenden Beobachtung der Umgebung Rückschlüsse zieht. Die Verfügbarkeit großer Datensätze hat bei den jüngsten Durchbrüchen im Bereich des maschinellen Lernens eine wichtige Rolle gespielt. In den letzten Jahren haben Datensätze unter anderem die Sprachverarbeitung, Spracherkennung oder Computer Vision ermöglicht oder verbessert. Einige Forscher argumentieren sogar, dass Daten wichtiger sind als neue Algorithmen. 

 

Bei Maschinen und Systemen wie autonomen Robotern oder selbstfahrenden Autos ist dies jedoch anders. Im Bereich der physikalischen Systeme haben Datensätze noch nicht zu vergleichbaren Durchbrüchen geführt. 

 

Sebastian Trimpe und seine Forschungsgruppe Intelligent Control Systems beschäftigen sich mit der Frage, ob reichhaltige und qualitativ hochwertige Datensätze, die auf Maschinen gesammelt werden (z.B. Daten, die auf einem Motor gesammelt werden), für das Lernen im Kontext physischer Maschinen ähnlich nützlich sein können. Das Team wird in Zusammenarbeit mit Cyber Valley Industriepartnern verschiedene Datensätze auf einer Vielzahl von physischen Maschinen sammeln und empirisch untersuchen, ob diese Daten für eine Lernaufgabe auf einer anderen Maschine nützlich sind. 

 

Darüber hinaus werden konzeptionelle und grundlegende Forschungsfragen gestellt wie: Wann sind die Daten für ein dynamisches Lernproblem ausreichend aussagekräftig? Welche Daten können sinnvoll von einer Maschine auf eine andere übertragen werden? Und wie können vorhandene Datensätze für die Modellierung und Steuerung neuer Maschinen genutzt werden? 

 

Die entwickelten maschinendynamischen Datensätze und Maßstäbe sowie alle wissenschaftlichen Ergebnisse sollen der Forschungsgemeinschaft zur Verfügung gestellt werden.