What's Hot in January?

31.01.2022|12:37 Uhr

Wir stehen kurz vor Ende der Vorlesungszeit und damit vor der Klausurenphase. Und leider besiegelt das Vorlesungsende 2021/22 ein trauriges Jubiläum: Zwei Jahre im Uni@home-Modus, zwischen Präsenzveranstaltung und digitaler Lehre.

Unter sorgsamer Beobachtung des Corona-Infektionsgeschehens gilt: so viel Normalität im Hochschulleben wie möglich und verantwortbar. Wir optimieren unser digitales Angebot ständig für unsere Studierenden und sind für Euch bei allen Fragen zu Veranstaltungen oder Prüfungen da. Hybrid ist inzwischen Normalität, aber auf einige Dinge möchten wir partout nicht verzichten: Freundliche Gesichter. Auch wir freuen uns über jede schwarze Kachel weniger während einer digitalen Veranstaltung, über jedes Gesicht, das uns zugewandt ist und mit dem wir uns austauschen und lebhafte, vorantreibende und spannende Diskurse führen!

Die Highlights in diesem Monat: Wir gratulieren unseren Masteranden Micaela Barkmann und Viktor Welbes! Viktor Welbes hat seine Masterarbeit „Data-driven methods for efficient advanced driver-assistance systems recording“ bei uns am Lehrstuhl in Kooperation mit dem Automobilzulieferer Aptiv geschrieben. Micaela Barkmann untersuchte in ihrer Masterarbeit „Enhancing open data portals with textual data documentation by domain-independet data-to-text generation“ ob es möglich ist, automatisch textuelle Beschreibungen zu Datensätzen zu generieren, die anschließend genutzt werden können, um Open Data Portale anzureichern oder um automatisiert semantische Modelle zu generieren.

Gespannt haben wir Marianna aus Finnland begrüßt, unsere neue Doktorandin, die für ein Jahr lang gemeinsam mit uns in Wuppertal die ethischen Fragestellungen zu Künstlicher Intelligenz beleuchtet.

Und ein weiteres Highlight: Das Forschungsprojekt Hochwasserschutz 4.0 gewinnt an Fahrt! Wir freuen uns über die Zusammenarbeit mit leidenschaftlichen Projektpartnern!

Im Rahmen unserer allerersten Divabre-Adventschallenge haben wir drei Hauptgewinner gekürt. Und da wir aufgrund der aktuellen Entwicklung unser zweitägiges Hackathon-Event abgesagt haben, laden wir im Februar herzlich zu unseren Microchallenges ein! Folgt uns für weitere Infos auf unseren SocialMedia-Kanälen!

Last but not least – ein Blick auf unsere wissenschaftlichen Publikationen im Januar:

Akzeptierte Publikation für ICCIT 2022
Die Publikation „Predicting the Progress of Vehicle Development Projects using an Attention-based Encoder-Decoder Model" von Oliver Böhme und Tobias Meisenist für die 8th International Conference on Computer Technology Applications akzeptiert. Ziel der Arbeit ist es, den Verlauf von Fahrzeugentwicklungsprojekten vorherzusagen. Eine der größten Herausforderungen sind die Nichtlinearität und Aperiodizität der multivariaten Daten, die sich aus dem kurz- und langfristigen dynamischen Verhalten ergeben. Als Ergebnis schlagen die Autoren ein mehrstufiges aufmerksamkeitsbasiertes seq2seq-Vorhersagemodell für multivariate Zeitreihen vor. Mit ihrer Arbeit legen sie den Grundstein für die frühzeitige Erkennung von Abweichungen von einem idealen Projektverlauf und tragen damit zur virtuellen Validierung von Fahrzeugentwicklungsprojekten bei.

Akzeptierte Publikation für das Journal of Intelligent Manufacturing
Das Paper „On Reliability of Reinforcement Learning based Production Scheduling Systems – A Comparative Survey“ von Constantin Waubert de Puiseau, Richard Meyes und Tobias Meisen wurde für das Journal of Intelligent Manufacturing akzeptiert. Die Autoren untersuchten Zuverlässigkeitskriterien für reale Produktionspläne und bewerteten, ob und wie die heutigen Ansätze des verstärkenden Lernens diese Kriterien erfüllen.

Veröffentlichte Publikation im MDPI Data Journal
Die Publikation „VC-SLAM - A Handcrafted Data Corpus for the Construction of Semantic Models“ von Andreas Burgdorf, Alexander Paulus, André Pomp und Tobias Meisen wurde im MDPI Data Journal veröffentlicht. Das Paper und der Datensatz sind beide frei zugänglich. Die Autoren präsentieren einen Korpus, der die Vergleichbarkeit unterschiedlicher automatisierter Ansätze zur semantischen Modellierung von Daten unterstützen soll. VC-SLAM baut auf Open Data auf und unterstützt sowohl label- oder rohdatenbasierte Verfahren als auch Metadaten bzw. textbasierte Verfahren zur Modellierung.