RWTH Talent Talks

Im Rahmen der diesjährigen RWTH Talent Talks konnten in der vergangenen Woche die von der Hans Hermann Voss-Stiftung geförderten Masterarbeiten vorgestellt werden. Die im Folgeneden vorgestellten Arbeiten wurden im Rahmen der sogenannten "Speed Funds" gefördert. Mit den Speed Funds sollen die Forschungsarbeiten zur Lösung von anwendungsorientierten und interdisziplinären Fragestellungen von Studentinnen und Studenten aus naturwissenschaftlich-technischen Fächern gefördert werden. 

 

Rofaida Daabis

In ihrer Arbeit "Reinforcement Learning for Pick-and-Place Tasks in the RoboCup Logistics League" nutzt Daabis Rainforcement Learning um Manipulationsvorgänge in der RoboCup Logistics Liga (kurz RCLL) zu realisieren. Bei der RCLL müssen zum einen zylindrische Basisprodukte gegriffen und abgesetzt werden und zum anderen müssen farbige Ringe auf die Deckel der Basisprodukte gestapelt werden. Für die Realisierung werden Roboterarme benutzt die mit den Sensordaten einer 3D Kamera, welche sich statisch am Rand der Arbeitsfläche befindet, betreiben werden. Ihre Arbeit untersucht besonders das Pick-and-Place Problem mit Roboterarmen anhand der Problemstellung des RCLL. Außerdem ist auch die Multi-Arm Koordination wichtig, damit auf engstem Raum kollisionsfreie Bewegungen stattfinden können.

 

Mohammed Hossein

Aufgrund der Einschränkungen, die durch den von-Neumann-Engpass im Datenfluss zwischen CPUs und Speicher zustande kommen, stoßen herkömmliche Computersysteme an ihre Grenzen. Um die Herausforderung zu überwinden, wurde ein Computing-in-Memory (kurz CIM) Rechenparadigma vorgeschlagen, welches die Recheneinheit direkt in den Speicher integriert. In seiner Arbeit "Highly lntegrated Computing-in-Memory Platform for Energy-Efficient Signal Processing" stellt Hossein die Entwicklung und Implementierung der Plattform NeuroIoT vor. Bei der NeuroIoT-Plattform handelt es sich um eine Leiterplatte, die ein CIM-System darstellt und speziell für die Anwendung im Internet of Things entwickelt wurde. NeuroIoT stellt einen bedeutenden Fortschritt bei Hardware-Plattformen für memristive Crossbars dar und ermöglicht die Realisierung von Anwendungen des maschinellen Lernens im Bereich des Internet of Things. Die Plattform zeigt enormes Potenzial bei Anwendungen, die Präzision und Genauigkeit erfordern, da sie bei einem Versuch Widerstandwerte über einen breiten Bereich mit minimaler Variabilität genau messen kann.

 

Dominik Kus

In seiner Arbeit "Ensemble Learning to the Rescue: Improving Machine Learning-based Industrial Intrusion Detection" konzentriert sich Kus auf das Potenzial und die Herausforderungen von Industrial Intrusion Detection Systems (kurz IIDS) als Mittel zur Sicherung von industriellen Kontrollsystemen. Durch die rasante Digitalisierung der industriellen Prozesse, hat die Informationstechnologie in weiten Teilen der kritischen Infrastruktur Einzug erhalten. Systeme, auf die unsere Gesellschaft angewiesen sind, werden anfällig für Cyberangriffe. Ein IIDS überwacht passiv den Netzverkehr auf Anomalien und Angriffe und löst eine Warnung an den Betreiber aus, falls es potenziell bösartige Aktivitäten gibt. Zunächst bezog sich Kus Arbeit darauf, die Fähigkeit von IIDS gegenüber neuen Angriffen zu Bewerten und eine Methodik zu entwickeln. Um die allgemeine Erkennungsleistung potenzieller Angriffe zu erhöhen, wurden mehrere unabhängige IIDS in einem System kombiniert. Dazu wurden verschiedene Ensemble-Ansätze verwendet, um die Erkennung bisher unbekannter Angriffe zu gewährleisten.

 

Tabib Ibne Mazhar

Durch die Komplexität und der Kontrollflussvariationen von Prozessen im Gesundheitswesen ist die Optimierung von Gesundheitsdienstleistungen eine anspruchsvolle Aufgabe. In seiner Arbeit "Comparative Process Mining in Healthcare" untersucht Mazhar den Einsatz von Process Mining zur Verbesserung von Patientenbehandlungspfaden sowie zur Steigerung der betrieblichen Effizienz. Bei dem Process Mining handelt es sich um eine Technik, die aufgezeichnete Ereignisdaten in Erkenntnisse und Maßnahmen umwandelt und dadurch die Optimierung von Prozessen und die Vorhersage künftiger Maßnahmen ermöglicht. Vergleichende Process Mining-Techniken bieten Einblicke in Prozesse des Gesundheitswesens und ermöglicht es, die Patientenbehandlung zu optimieren, die Produktivität zu steigern und die Kosten zu senken. Die Methode vergleicht Prozesse im Gesundheitswesen, indem sie die Wahrscheinlichkeiten analysiert, die mit einem Prozessmodell und dem Ereignisprotokoll verbunden sind, um den Grad ihrer Konformität zu bewerten. Das gemeinsame Projekt der RWTH Aachen und der Queensland University of Technology zielt darauf ab, die Ergebnisse für die Patienten zu verbessern und die allgemeine Qualität der Krankenhausversorgung zu erhöhen.

 

Asad Tariq

In dem Projekt "Dealing with Missing Data for Process Mining in Healthcare" entwickelte Tariq Techniken, die den statisch oder kausal begründeten Vergleich von Gesundheitsprozessen untereinander oder mit den Ergebnissen der Gesundheitsversorgung ermöglichen. Die Gesundheitssysteme in Deutschland und anderen Ländern stehen vor erheblichen Herausforderungen bei der Bewältigung der Auswirkungen einer alternden Bevölkerung mit komplexem und kostspieligem Bedarf an Gesundheitsdienstleistungen. Beim Process Mining handelt es sich um Prozessanalysetechniken und Werkzeuge für effektives Prozessmanagement, die detaillierte Analysen des Verhaltens von Betriebsprozessen liefern können. Da die Process Mining-Techniken immer auf Daten basieren, wurden Modelle für große Gruppen erstellt, die von der Genauigkeit und dem Umfang der Daten abhängen. Die bisherigen Techniken gehen nicht mit dem Problem von fehlenden Daten um, was zu irreführenden Prozessmodellen führen kann. Darum wurde ein Rahmen entwickelt, der eine konsistente Schätzung des gewünschten Zusammenhangs liefert, wenn die Bedingungen erfüllt sind.