News

Timeline

2021
10/27/2021

Paper über die Quantifizierung des Risikos von KI-Modellen wurde im „Upper-Rhine Artificial Intelligence Symposium UR-AI 2021“ angenommen

Die Quantifizierung des Risikos von Bildklassifikationsmodellen ist ein wichtiger Schritt zur Automatisierung der Qualitätssicherung von Deep-Learning-Modellen. Hierfür wurde vom Team der HKA (Alexander Melde, Prof. Dr. Astrid Laubenheimer, Prof. Dr. Norbert Link und Christoph Schauer) ein mehrstufiger Ansatz zur Quantifizierung des Risikos von KI-Modellen entwickelt und die Ergebnisse als wissenschaftlicher Beitrag „An Architecture to Quantify the Risk of AI-Models“ auf der Konferenz Upper-Rhine Artificial Intelligence Symposium UR-AI 2021 veröffentlicht. Ziel der Arbeit war es, die Qualität eines gelernten KI-Modells für Bildklassifikationsaufgaben zu bewerten. Dazu wird zunächst der Testdatensatz in zwei Teile aufgeteilt, basierend auf der Frage, wie eindeutig jede Probe auf Basis der Vorhersagen mehrerer Modelle einer Klasse zugeordnet werden kann. Darüber hinaus werden die Modelle in dieser Arbeit dazu gebracht, den Output mithilfe eines neuronalen Netzes in einen 3-dimensionalen Raum zu projizieren. Anschließend wird diese Projektion anhand des Histogramms der gegenseitigen Abstände, des Silhouettenmaßes und der Entropie analysiert, um die Extrapolationsqualität und damit die Robustheit des Modells zu bewerten. Anschließend wurde dieser Ansatz auf den MNIST-Datensatz angewandt, um seine Wirksamkeit zu beweisen.
09/23/2021

Ein Beitrag des HFU-Forschungsteams über maschinelle Lernverfahren (MLOps) wird veröffentlicht

Machine Learning Operations (MLOps) sind eine Reihe von Praktiken, die darauf abzielen, Machine Learning-Modelle erfolgreich und automatisiert in der Produktion einzusetzen und zu pflegen. Heutzutage sind Projekte des maschinellen Lernens für verschiedene reale Anwendungsfälle immer relevanter geworden. Der Erfolg dieser komplexen neuronalen Netzwerkmodelle hängt von vielen Faktoren ab. Um diese Schwierigkeit zu vereinfachen, wurde eine Forschungsarbeit mit dem Titel „Demystifying MLOps and Presenting a Recipe for the Selection of Open-Source Tools“ im „mdpi Applied Sciences Journal“ unter der Section Computing und Artificial Intelligence veröffentlicht. In dieser Arbeit wurden vor allem Machine Learning Operations (MLOps) Technologien und Werkzeuge für jeden Teil der gesamten Projektpipeline sowie die beteiligten Rollen untersucht und klar definiert.

09/13/2021

Zweites Treffen zwischen den Hochschulen

Das zweite Treffen zwischen allen drei Hochschulen fand am 27. September 2021 statt. Bei diesem Treffen wurden alle laufenden Forschungsarbeiten der einzelnen Partner vorgestellt. Die Forschung der Hochschulen Karlsruhe und Offenburg geht in Richtung Risikoabschätzung in KI-Modellen, während die Hochschule Furtwangen an angewandtem maschinellen Lernen arbeitet.

05/10/2021

Erstes Gesamttreffen 2021

Das erste Gesamttreffen für das Projekt QAMeLiA im Jahr 2021 fand am 10. Mai statt. An dem Treffen nahmen alle Projektpartner teil. Jeder Partner präsentierte den aktuellen Stand, was zu einem Wissensaustausch zwischen allen führte.

 

 

04/23/2021

Paper akzeptiert in Twelfth International Conference on Cloud Computing, GRIDs, and Virtualization CLOUD COMPUTING 2021

Das rasante Wachstum im Bereich der KI-basierten Anwendungen, welche maschinelles Lernen (ML) nutzen, hat den Bedarf an leistungsstarker Hardeware stark ansteigen lassen. Es gibt eine ganze Reihe an Möglichkeiten Infrastrukturen für die ML-Entwicklung zu nutzen. Neben dem Aufbau einer eigenen GPU-basierten Infrastruktur Vorort, kann man auch Infrastrukturen in der Cloud, wie Amazon, Google, etc. nutzen. Eine Entscheidungshilfe für die Auswahl der richtigen Infrastruktur bieten sogenannte Benchmarks. Benchmarks geben Aufschluss darüber, welches der verglichenen Systeme für die jeweilige Promblem-Domäne am besten ist. Ein idealer Benchmark für die Beurteilung von ML-Infrastrukturen existiert jedoch nicht. Der Konferenzbeitrag „Comparison of Benchmarks for Machine Learning Cloud Infrastructures“ bei der Konferenz Cloud Computing 2021 vergleicht sieben prominente ML-Benchmarks, MLPerf, DAWNBench, DeepBench, DLBS, TBD, AIBench und ADABench. Im Dokument werden Unzulänglichkeiten der Benchmarks diskutiert und die erforderlichen Verbesserungen skizziert, damit allgemein Cloud-Plattformen wie Amazon, Azure, Google, Siemens usw. einem Benchmarking unterzogen werden können.

 

02/22/2021

Kickoff-Meeting zwischen der Hochschule Furtwangen und der competition it-management GmbH

Am 22. Februar 2021 fand das Kickoff-Meeting zwischen der Hochschule Furtwangen und der competition it-management GmbH statt. Der Fokus des Meetings lag auf Benchmarking im Bereich Machine und Deep Learning. Es wurden einige verfügbare Benchmarks wie MLPerf und AIBench diskutiert.

02/17/2021

Kickoff-meeting mit tepcon GmbH

Am 17. Februar 2021 fand das Kickoff-Meeting zwischen der Hochschule Furtwangen und der tepcon GmbH statt. Die Diskussion drehte sich um kontinuierliches Lernen und wie Modelle im Laufe der Zeit immer wieder aktualisiert werden können.

02/08/2021

Treffen der Hochschulen

Das Treffen zwischen allen drei Hochschulen fand am 08. Februar 2021 statt. Im Rahmen des Treffens wurden Diskussionen geführt, in denen jede Hochschule einen Überblick über die Forschung in ihren Abteilungen für das Projekt gab.

01/20/2021

Kickoff-meeting mit C.R.S. iiMotion GmbH

Am 20. Januar 2021 fand das Kickoff-Meeting zwischen der Hochschule Furtwangen und der C.R.S. iiMotion GmbH statt. Die Diskussion drehte sich um MLOps, ein aufstrebendes Feld des maschinellen Lernens, und die nächsten Schritte, die für das Projekt notwendig sind.

2020
11/25/2020

Konsortium aus Hochschulen und Industrie geht mit Kick-Off Meeting an den Start

Beim digitalen Kick-Off Meeting am 25. November 2020 nahm das neue Forschungsprojekt Q-AMeLiA (Quality Assurance of Machine Learning Applications) Fahrt auf. Es wird von einem Verbund aus drei Hochschulen und fünf kleinen und mittleren Unternehmen (KMUs) durchgeführt. Das Ministerium für Wissenschaft, Forschung und Kunst Baden-Württemberg fördert das Projekt über drei Jahre mit 600.000 Euro. Im Konsortium arbeiten die competition it-managment GmbH, Inferics GmbH, C.R.S. iiMotion GmbH, tepcon GmbH und schrempp edv GmbH sowie die Hochschulen Karlsruhe, Offenburg und Furtwangen zusammen. Die Konsortialleitung liegt bei Professor Dr. Christoph Reich von der Fakultät Informatik der Hochschule Furtwangen.