Die ITS-Masterabsolventin Sarah Riedmann und der ITS-Masterabsolvent Jonas Harb erhielten für ihre Masterarbeit zum Thema „Deep Reinforcement Learning“ den Nachwuchspreis des „Anton Fink Wissenschaftspreis für Künstliche Intelligenz“.
Das Absolventin Sarah Riedmann und Absolvent Jonas Harb eine ausgezeichnete Masterarbeit zum Thema „Adaptability and Robustness Analysis of a Deep Reinforcement Learning-based Supervisory Controller for Production Systems“ verfassten, würdigte nicht zuletzt vor kurzem die Salzburg AG mit ihrem Wissenschaftspreis „WirsindZukunft“. Nun haben die beiden Data Science-Spezialist*innen auch die Jury des "Anton Fink Wissenschaftspreis für Künstliche Intelligenz“ der Technische Hochschule Deggendorf (THD) überzeugt.
Automatisierte Produktionsplanung durch Künstliche Intelligenz
Jonas Harb und Sarah Riedmann fokussierten sich in ihrer gemeinsamen Masterarbeit auf das Gebiet der automatisierten Produktionsplanung durch Künstliche Intelligenz. Der Bedarf an individualisierten Produkten wird immer höher, weshalb Produktionsunternehmen in der Lage sein müssen, sehr viele verschiedene Produktarten in kleinen Stückzahlen zu produzieren. Das wiederum bedeutet regelmäßige Anpassungen des Produktionsablaufs. Um diese Anpassungen schnell und flexibel durchführen zu können, haben sich die beiden Alumni, die schon im Bachelorstudium die Vertiefung Mechatronik und später im Master die Spezialisierung Data Science & Analytics gemeinsam absolvierten, auf künstliche Intelligenz gesetzt. Im Zuge ihrer Arbeit "Adaptability and Robustness Analysis of a Deep Reinforcement Learning-based Supervisory Controller for Production Systems“ kombinierten sie ein graphenbasiertes Simulationsmodell und moderne Reinforcement-Learning-Algorithmen, um eine Sortieraufgabe in einer Modellfabrik zu lösen. Das Simulationsmodell entwickelten Jonas Harb und Sarah Riedmann bereits in ihrem Research- & Development-Projekt im Rahmen des ersten Studienjahres, welches sie auch auf dem WGP (Wissenschaft im Grenzbereich) Jahreskongress im September 2021 in Dresden vorstellen durften. In Kombination mit dem Modell hat der Reinforcement-Learning-Algorithmus dann nach dem Trial-and-Error-Prinzip gelernt, die Aufgabe effizient zu lösen. Bei Änderungen der Anzahl an zu produzierenden Produkten oder bei Einführung neuer Produkte muss die KI-Steuerung schnell und einfach adaptierbar sein. Im Zuge ihrer Forschung haben sie so geeignete Strategien entwickelt, um diese Skalierbarkeit zu verbessern und somit den Algorithmus möglichst schnell anzupassen.
Wissenschaftliche Karriere im Josef-Ressel-Zentrumf ür Dependable System-of-Systems Engineering geht weiter
Jonas Harb setzt seine Forschungstätigkeit als Junior Researcher im Josef-Ressel-Zentrums für Dependable System-of-Systems Engineering fort und beschäftigt sich aktuell damit, wie künstliche Intelligenz in Simulationen von komplexen Stromnetzsystemen mit Reinforcement-Learning-Methoden trainiert werden können.