Seit dem Wintersemester 2018/19 bietet die Hochschule Karlsruhe die neue Vertiefungsrichtung Maschinelles Lernen für den Masterstudiengang Informatik an. Für die Lehrveranstaltung Künstliche Intelligenz inklusive dazugehöriger praktischer Übung wurden Dozenten gesucht. inovex übernahm die Betreuung und Vorbereitung der Übung.
Zur Heranführung an die generelle Vorgehensweise in der Praxis beim Umgang mit Machine-Learning-Methoden wurden insbesondere auch die Herausforderungen und Spezifika unterschiedlicher Umgebungen (PC, eingebettete Systeme, Cloud) betrachtet. Dies geschah exemplarisch am Beispiel dreier Themenfelder, die jeweils von zwei inovexperts betreut wurden:
- Computer Vision (Robin Baumann, Stanislav Frolov)
- Natural Language Processing (Anna Weißhaar, Tilman Berger)
- Reinforcement Learning (Benedikt Hagen, Frederik Martin)
Computer Vision
Der erste Teil des Labors brachte den Studierenden den Bereich Computer Vision näher. Zunächst wurden die Funktionsweisen klassischer Ansätze zur Kantendetektion und Bildsegmentierung anhand von Beispielaufgaben in Python unter Verwendung von OpenCV erklärt, woraufhin speziell die Entwicklungen der letzten Jahre behandelt wurden. Dabei trainierten die Studierenden tiefe künstliche neuronale Netze, um Aufgaben aus den Bereichen Texterkennung und Objektdetektion mit Hilfe von Convolutional Neural Networks (CNNs) zu lösen. Zur Entwicklung wurde das moderne Machine Learning Framework TensorFlow verwendet. Da moderne Modelle sehr daten- und ressourcenintensiv sind und häufig über mehrere Tage trainiert werden müssen, ist der Betrieb moderner KI-Methoden auf begrenzter Hardware eine aktuelle Herausforderung. Daher hatten die Studierenden im letzten Teil dieses Moduls an einer KI-basierten Android-Applikation gearbeitet und TensorFlow Lite kennengelernt.
Natural Language Processing
Die Übungen im zweiten Teil des Labors drehten sich um NLP-Anwendungen im Kontext von KI. Den Schwerpunkt bildete die Entwicklung eines Chatbots. An diesem Beispiel lernten die Studierenden das Training und den praktischen Einsatz von RNNs (speziell LSTMs), Encoder-Decoder-Modellen sowie Sequence-to-Sequence-Netzwerken. Außerdem wurde der Umgang mit semantischen Embeddings geübt, wie etwa word2Vec, GloVe oder fastText. Dabei wurden auch ethische Aspekte wie beispielsweise die Voreingenommenheit von Word Embeddings behandelt. Zum Einsatz kamen Bibliotheken und Frameworks wie zum Beispiel spaCy und Keras.
Reinforcement Learning
Den Abschluss bildete eine auf Python, Numpy und Keras aufbauende praxisorientierte Heranführung an die Lösung unterschiedlich komplexer Kontroll-Probleme mit Hilfe von modernen Reinforcement-Learning-Algorithmen. Von der Anwendung tabellarischer Methoden wie Q-Learning bis hin zur Funktionsapproximation durch Neuronale Netze wurden Agenten in verschiedenen OpenAI-Gym-Umgebungen trainiert. Den erfolgreichen Semesterabschluss bildete dann die Bewältigung des Atari Games Pong mit Deep Reinforcement Learning (Deep Q-Network).
Auch im kommenden Semester freut sich inovex auf neue, wissbegierige Studierende, mit denen die praktische Übung in die zweite Runde gehen kann.
