Arbeitsgruppe Zuverlässige Systeme

KI-Transfer-Hub

Allgemeine Informationen

Der KI-Transfer-Hub ist ein Förderprojekt des Landes Schleswig-Holstein und versteht sich als eine zentrale Anlaufstelle für Themen der Künstlichen Intelligenz. Mit diesem Projekt fließt Know How rund um KI, Data Science und Machine Learning von der Wissenschaft in die Wirtschaft. Die CAU ist neben der WTSH und weiteren Hochschulen von Schleswig-Holstein Partner des Projekts und unterstützt Unternehmen durch Machbarkeitsstudien, Entwicklung von Prototypen und die Forschung an neuen KI-Technologien. Im Rahmen dieser Unterstützung gibt es häufig Themen die im Umfang einer Abschluss- oder Projektarbeit von interessierten Studenten bearbeitet werden können und eine gute Möglichkeit bieten, den Praxisbezug im Studium zu erhöhen. Weitere Informationen hierzu sind den folgenden Abschnitten zu entnehmen. Nähere Informationen zum KI-Transfer-Hub finden Sie unter  https://kuenstliche-intelligenz.sh/

Für Studierende

Welche Möglichkeiten habe ich als Student*in eine Problemstellung eines Unternehmens zu bearbeiten?

Im Rahmen des Informatikstudiums gibt es verschiedene Möglichkeiten ein Projekt alleine oder mit Kommilitonen zusammen durchzuführen. Hier finden Sie eine kurze Auflistung der Möglichkeiten, die in der Prüfungsordnung  näher erleutert werden:

  • Bachelorarbeit (allein oder als Gruppe)
  • Masterprojekt (in der Regel als Gruppe)
  • Projektgruppe (in der Regel als Gruppe)
  • Forschungsprojekt (allein oder als Gruppe)
  • Masterarbeit (allein oder als Gruppe)

 

Welche konkreten Themen gibt es aktuell?

Aktuell haben wir folgende Themen:

1) Bewertung von Essays mit modernen NLP-Methoden (mit https://siggi.cloud/):

Die Bewertung von Essays, die von Schülern oder Studenten geschrieben wurden, ist ein sehr zeitaufwendiger Prozess. Um diesen Prozess zu vereinfachen, sollen "state of the art pre-trained NLP models" (z.B. Transformer-Netze) für die Bewertung von Essays betrachtet werden. Zu diesem Zwecke steht dem Projekt ein Zugang zur GPT-3 API zur Verfügung. Gerne dürfen auch neue Ideen zur automatischen Bewertung von Essays im Rahmen dieser Arbeit entwickelt und diskutiert werden.

2) Verknüpfung von Fragen und vertiefenden Inhalten (mit https://siggi.cloud/):

Im Rahmen der Lernapp "Siggi" sollen Fragen automatisiert mit vertiefenden Inhalten (wie z.B. Webseiten, zugehörige Lektüre,...) in Verbindung gebracht werden.

3) Clustern von glykämischen Antworten auf Mahlzeiten (mit https://perfood.de/):

In dieser Arbeit soll es darum gehen die Glukose-Kurven in Antwort auf Mahlzeiten zu clustern. Dabei können verschiedene Ähnlichkeitsmaße motiviert und analysiert werden. Anschließend sollten die Cluster interpretiert werden. Beispielsweise könnten so Cluster mit “zweihügeligem” Verlauf entstehen, die eventuell auf Mahlzeiten mit langkettigen Kohlenhydraten hinweisen. Hier gibt es viele verschiedene Richtungen, in die diese Idee weitergedacht werden könnte.

  • Gibt es Cluster, die eventuell mit Diabetes assoziiert sind?
  • Lässt sich die Cluster-Zugehörigkeit einzig durch Kenntnis der Mahlzeit vorhersagen?
  • Lassen sich unplausible Glukose-Verläufe erkennen, die auf andere Effekte hinweisen (Sport, Stress, etc.)?

 

4) Ein generative adversarial network für Blutzucker-Kurven (mit https://perfood.de/):

Kann ein GAN erstellt werden, das Blutzucker-Kurven erzeugen kann, mit denen menschliche Experten getäuscht werden?

  • Kann ein GAN erstellt werden, dass Blutzucker-Kurven entweder von Diabetikern oder von Nicht-Diabetikern erzeugen kann? Kann so ein Netzwerk genutzt werden, um bei neuen Kunden Diabetes zu erkennen? Funktioniert das eventuell auch mit anderen Erkrankungen?
  • Kann ein GAN erstellt werden, dass Reaktionen auf bestimmte Mahlzeiten generiert? Kann so ein GAN dann eventuell genutzt werden, um unplausible Mahlzeiten zu finden?

 

5) Automatisches Verständnis von User-Kommentaren (mit https://perfood.de/):

Bei vielen Ereignissen (Mahlzeit, Sport, Schlaf, Befinden, etc.) können User freie Textkommentare hinzufügen. Das Verständnis dieser User-Kommentare zu automatisieren ist Gegenstand dieser Abschluss-Arbeit, die sich im Bereich des NLP einordnet. Ziel könnte es beispielsweise sein zu erkennen, wann eine Mahlzeit nicht so eingenommen wurde, wie angegeben. Es gibt eine Vielzahl von Kommentare der Art “Ich habe nur die Hälfte gegessen” oder “Ich habe die Mahlzeit stark verändert gegessen”

6) Ermitteln von Nutritypen und deren Zusammenhänge (mit https://perfood.de/):

Einige Personen verstoffwechseln einen Apfel glykämisch besser als eine Banane, bei anderen ist es andersherum. Diese Tatsache wird bei Perfood genutzt, um Personen einen oder mehrere Nutritypen (Apfel-/Banane-Typ, Vollkorn-/Weißbrot-Typ, Fett-/Protein-Typ) zuzuweisen. Gegenstand dieser Abschlussarbeit können die folgenden Fragestellungen sein:

  • Gibt es Zusammenhänge zwischen Nutritypen (neigt bspw. der Apfel-Typ zum FettTyp?)
  • Können Nutritypen für alle auf die gleiche Weise ermittelt werden oder muss bspw. zwischen Diabetikern und Nicht-Diabetikern unterschieden werden?

 

7) Analyse der Wiederholbarkeit der Blutzucker-Reaktion auf gleiche Mahlzeiten (mit https://perfood.de/):

Es ist bekannt und in unseren Daten beobachtbar, dass die Blutzucker-Reaktion auf gleiche Mahlzeiten nicht unbedingt gleich ist. Neben vielen zur Zeit nicht beobachteten Einflussfaktoren steht die Frage im Raum, welchen Effekt die folgenden Dinge auf die Wiederholbarkeit haben:

  • Spielt die Mahlzeitzusammensetzung eine Rolle (flüssig, fest, etc.)?
  • Was kann man aus Kommentaren ableiten?
  • NLP-Thema. Einfluss von Hunger auf Mahlzeiten.
  • Sensor-Tragedauer.

 

8) Analyse der Blutzucker-Antworten auf Mahlzeiten in Hinblick auf eine zirkadiane Rhythmik (mit https://perfood.de/):

Es gibt Anhaltspunkte, dass es sogenannte Morgens- oder Abends-Typen gibt, also Personen, deren Stoffwechsel entweder morgens oder abends glykämisch vorteilhaft auf Mahlzeiten reagiert.

  • Gibt es in unseren Daten Hinweise auf Zirkadianik-Typen (Morgens-/Abends-Typ)?
  • Spielen kurz- und langkettige Kohlenhydrate eine Rolle? Andere Makronährstoffe?
  • Kann eine gezielte Testmahlzeit Aufschluss über so einen Typen geben (vergleiche Tim Spectors Muffin)?

 

9) Korrelation zwischen Mikrobiom und Krankheiten (mit https://perfood.de/):

Perfood besitzt große Datenbanken mit Mikrobiom-Daten und Krankheitsanamnesen. Abseits der üblichen Glukose-Analysen, kann man hier vielen Fragestellungen nachgehen:

  • Literaturrecherche durchführen mit dem Ziel Dinge zu finden, die man mit diesen Daten tun kann.
  • Eventuell: Krankheiten und Mikrobiom korrelieren, etc.

 

10) Kohorten-Vergleich und -Analysen (mit https://perfood.de/):

Eine statistische Arbeit, die sich der Verteilungen einzelner Wert annimmt. Sind sie normalverteilt? Gibt es mehrere Peaks (multimodal) und dadurch Hinweise auf inhomogene Grundgesamtheiten? Wie lassen sich die Verteilungen interpretieren? Solche Analysen können auch als Vorbereitung für Machine-Learning-Modelle gesehen werden.

WICHTIG: Diese Themen sind bisher noch ohne Betreuung einer konkreten Arbeitsgruppe, die für die Umsetzung im Rahmen einer universitären Leistung benötigt wird. Falls Interesse an einem Thema besteht unterstützen wir Sie gerne bei der Suche nach einer passenden Arbeitsgruppe.

 

Nicht das passende Thema dabei? Melden Sie sich gerne bei uns und wir prüfen, ob sich ein passendes Unternehmen in unserem Netzwerk finden lässt.

Für Unternehmen

Sie haben ebenfalls Interesse an einer Zusammenarbeit mit der CAU? Bei Fragen rund um das Thema KI wenden Sie sich gerne an uns. Bei weiteren Themen steht Ihnen der Technologietransfer der Universität gerne zur Verfügung.

Kontakt

Karolina Ochs

Wiss. Mitarbeiter

Tel.: +49 431 880-7549
Mail: kao@informatik.uni-kiel.de