Das Erlernen neuer Sportübungen ohne professionelle Hilfe ist in der Regel sehr schwierig. Aus diesem Grund wurde in diesem Masterprojekt ein System implementiert, das Beschleunigungssensoren (IMUs) und bildbasierte Trackingmethoden verwendet, um IMU-Rohdaten aus Videos und 3D-Trajektorien aus IMU-Daten zu erzeugen. Dadurch ermöglicht das System einen mehrstufigen Vergleich von IMU-Daten und Posen in Bezug auf Beschleunigung und Position und liefert so tiefe Einblicke in die ausgeführten Bewegungen. Schließlich wurde ein Dashboard zur Visualisierung der verschiedenen Datenquellen und zur interaktiven Exploration der Erkenntnisse mithilfe von speziellen Metriken implementiert.

Self-supervised Methoden lernen Darstellungen aus nicht annotierten Daten, die in nachfolgenden nachgelagerten Aufgaben wiederverwendet werden können. Um ein Deep Neural Network in einer Downstream-Aufgabe von Interesse zu verwenden, wird das Neural Network mit einer selbst Self-supervised Methode an einem größeren unmarkierten Datensatz vor trainiert. Der vor dem Training verwendete Datensatz kann derselbe sein, der für die nachgelagerte Aufgabe verwendet wird, oder ein ähnlicher, größerer Datensatz mit günstigen Merkmalen. Danach verwenden wir Transfer-Lernen, um das vortrainierte Modell auf den annotierten Zieldatensatz anzuwenden. Unsere experimentellen Ergebnisse zum Kaggle-Retinopathie-Klassifikationsdatensatz (2D) und zum Decathlon-Pankreastumor-Segmentierungsdatensatz (3D) veranschaulichen die Vorteile dieser Methoden für mehrere nachgelagerte Aufgaben.

Beim Laserschneiden verbreiten Nutzende in der Regel 2D-Dateien, welche Beschreibungen von den Schnittpfaden des Lasers beinhalten. Der Nachteil dabei ist, dass diese Beschreibung sehr spezifisch für den Schnittprozess des Lasers ist. Für das richtige Reproduzieren eines Modells brauchen wir allerdings eine Beschreibung des Resultats statt des Prozesses. Daher schlagen wir vor, statt 2D-Dateien 3D-Modelle zu nutzen, die Referenzen auf die 2D-Platten, die der Laser letztendlich schneidet, beinhalten. Wir haben ein Software Tool entwickelt, womit Nutzende konventionelle 2D-Modelle, durch das Rekonstruieren von Zusammensetzungen der Platten in 3D, in portable Modelle konvertieren können. Andere Nutzende können diese Modelle dann mit ihrer Hardware reproduzieren.

Nina Kiwit, Jonas Cremerius, Margaux Gatrio, Melanie Hackl (Studierende)

Suparno Datta, Ariane Sasso, Dr. Girish Nadkarni, Prof. Dr. Erwin Böttinger (Betreuer)

Dieses Forschungsprojekt befasst sich mit der Vorhersage des Auftretens von essentieller Hypertonie bei Patienten auf der Grundlage elektronischer Patientenakten (ePA) unter Verwendung fortgeschrittener Machine Learning Methoden. Bluthochdruck ist eine der weltweit häufigsten chronischen Krankheiten und ein prädisponierender Faktor für eine Reihe von Erkrankungen. Da Bluthochdruck von den Patienten oft unbemerkt bleibt, könnte ein Prädiktionsmodell zur Vorhersage des Ausbruchs von Bluthochdruck eine entscheidende Rolle spielen. Für dieses Projekt wurden longitudinale ePA-Daten aus dem Mount-Sinai-Krankenhaussystem verwendet. Wir waren in der Lage, AUCs von bis zu 87% zu erreichen.

Andrea Eoli, Mirko Krause, Sam Matthews, Hao Nguyen (Studierende)

Dr. Hanna Drimalla, Alex Charney, Ben Glicksberg, Prof. Dr. Erwin Böttinger (Betreuer)

Klinische Notizen über psychiatrische Patienten können zu einem besseren Verständnis psychischer Erkrankungen beitragen und helfen bessere Phänotypen zu entwickeln. In dem Masterprojekt haben wir Natural Language Processing (NLP) auf klinischen Notizen elektronischer Gesundheitsakten des Mount Sinai Hospital angewandt,  um aussagekräftige Repräsentation von Patienten mit Depressionen zu entwickeln. Mit unsupervised Machine Learning suchen wir nach (Sub)phänotypen , die näher an den zugrunde liegenden Mechanismen liegen und bei Behandlungsentscheidungen eine Rolle spielen könnten.

Antonia Winne, Dennis Kipping, Julian Sass, Stephan Krumm (Studierende)

Jan Philipp Sachs, PhD Riccardo Miotto, Prof. Dr. Erwin Böttinger (Betreuer)

Unspezifischer Rückenschmerz ist die häufigste Ursache für Arbeitsunfähigkeit weltweit und hat daher ein großes Potential für Data-Mining-Ansätze. In unserem Masterprojekt haben wir dieses Potential mithilfe einer großen klinischen Datenbank genutzt. Wir haben einen Algorithmus zur Identifizierung der relevanten Subgruppe aus dem Datensatz erstellt, die daraus resultierende Kohorte deskriptiv statistisch beschrieben sowie unstrukturierte Textdaten automatisch verarbeitet, um zum Schluss ein Clustering durchzuführen, um potentiell klinisch relevante, bisher jedoch unbekannte Patienten-Subgruppen zu identifizieren.

Travelling Salesman Problem, oder kurz TSP, bezeichnet die schwierige Aufgabe, eine möglichst schnelle Rundreise durch eine gegebene Menge von Städten zu planen. Gute algorithmische Lösungen für dieses Problem nehmen meist an, dass die Reisedauer von Stadt A nach Stadt B identisch ist mit der Reisedauer von B nach A. Diese Art von Symmetrie ist jedoch nicht immer eine realistische Annahme; Einbahnstraßen, Sperrungen oder Stau können zu starker Asymmetrie führen. In diesem Projekt haben wir uns daher gezielt mit Maßen für Asymmetrie bei TSP beschäftigt. Als Endergebnis haben wir effiziente Verallgemeinerungen zweier klassischer Approximationen für symmetrisches TSP entwickelt, die auch für moderat asymmetrische Instanzen gute Lösungen berechnen.

Programmieren ist eine herausfordernde mentale Aufgabe, da Programmierer während der Entwicklung das Programmverhalten in ihrem Kopf simulieren müssen. Die beispielbasierte Live-Programmierung hilft, diese mentale Lücke zu überbrücken, indem sie während der Entwicklung Live-Feedback zur Programmausführung liefert. Bestehende Implementierungen für die beispielbasierte Live-Programmierung hängen jedoch von den jeweiligen Funktionen der einzelnen Programmierumgebungen und -sprachen ab. Um die Verwendung von Live-Programmierung für andere Sprachen zu erleichtern, haben wir einen Ansatz entwickelt, der die sprachunabhängige Live-Programmierung in weitverbreiteten Editoren unterstützt. Unsere prototypische Implementierung verwendet GraalVM als mehrsprachige Ausführungsumgebung und baut auf dem Language Server Protocol (LSP) auf, um Babylonian Programming sprachunabhängig in Programm-Editoren wie Visual Studio Code bereitstellen zu können.

Wann und wie wir ein bestimmtes Wort benutzen, ändert sich mit der Zeit. Während heutzutage Kinder an das Internet denken, wenn sie das Wort „cloud“ hören, denken ihre Großeltern wahrscheinlich an das Wetter. In unserem Masterprojekt haben wir ein Verfahren entwickelt, mit dem wir Wörter aus unserer Sprache identifizieren können, die einen neuen Sinn über eine Zeitperiode erhalten haben. Unser graph-basiertes Sprachmodel ermöglicht es uns, nicht nur sprachliche Zusammenhänge zu erfassen, sondern auch sie zu visualisieren. Dafür haben wir unseren Algorithmus Hunderte von Büchern und Magazinen der letzten 200 Jahre lesen lassen.

Der Energieverbrauch von Rechenzentren ist einer der größten Kostenfaktoren. Das Überwachen des Energieverbrauchs während des Betriebs wird zu einem wichtigen Bestandteil. Dafür werden weitreichende Informationen über die einzelnen Server sowie die laufenden Jobs benötigt. Wir schlagen ein Energie-Überwachungssystem für heterogene Rechenzentren vor. Dieses System sammelt Metriken über die Energie- und Resourcen-Verbräuche auf Datenzentren-, Server- und Prozess-Ebene. Es ist in der Lage Jobs mit hohem Energieverbrauch zu erkennen und das Planen von Erweiterungen im Server-Bestand zu unterstützen. Das System wurde im HPI FutureSOC Lab umgesetzt und getestet.

Wir präsentieren HDES, eine dynamischen Stream Processing Engine (SPE). Unsere Engine ermöglicht den Endbenutzern durch ad-hoc Abfragen, dynamisch Stream Abfragen hinzuzufügen und zu entfernen. Während Ansätze wie AStream und AJoin diese ad-hoc Funktionalität auf Basis von bekannten Open-Source SPEs aufgebaut haben, zielt HDES darauf ab, die Dynamik als fundamentalen Baustein zu behandeln. Dieser Perspektivenwechsel ermöglicht es uns, ad-hoc Abfragen im Vorfeld zu optimieren und deren Leistung zu erhöhen. Darüber hinaus nutzen wir Techniken, die Ergebnisse zwischen mehreren Abfragen teilen, um die Leistung teurer Operationen wie Joins zu erhöhen.

Im Kontext des Geschäftsprozessmanagements werden Ressourcen häufig auf aktive Entitäten reduziert, in den meisten Fällen auf Menschen, die Aufgaben ausführen. Diese Perspektive vernachlässigt jedoch die Bedeutung aller Ressourcen, die zur Ausführung bestimmter Aufgaben benötigt werden. Zum Beispiel wäre es ein guter Anfang, den am besten geeigneten Chirurgen zu finden, aber ohne einen verfügbaren Operationssaal nützt es wenig, um eine Operation erfolgreich durchzuführen. In dieser Arbeit schlagen wir einen ganzheitlicheren Ansatz für Ressourcen in BPM vor, indem wir eine Plattform einführen, mit der Ressourcen verwaltet und auf der Grundlage beliebiger Algorithmen während der Prozessausführung zugewiesen werden können. Wir entwickelten auch eine Proof-of-Concept-Implementierung und evaluieren diese anhand eines realen Anwendungsfalls.