KI in der TV-Planung – Ein Blick in die Zukunft aus dem Wupper Valley
KI in der TV-Planung – Ein Blick in die Zukunft aus dem Wupper Valley
What's hot in October 2021?
Im Oktober sind wir mit unseren Veranstaltungen „Digitale Transformation“ und „Big Data Technologien“ ins WS 2021/22 und damit auch back to normal in Präsenzveranstaltungen und Konferenzen gestartet.
Wir waren bei der Abschlussveranstaltung unseres Forschungsprojektes InProD² in Potsdam und haben die LernApp EinFach vorgestellt.
Ein Highlight war der Messebuch des ITS World Congress in Hamburg, und aus den Begegnungen mit Mobilitätsmachern & -denkern ist unsere neue Podcast-Reihe in unserem Teilprojekt Rethinking.Mobility entstanden. Unser wissenschaftlicher Mitarbeiter Alexander Engel vermittelt mit einer Episodenlänge von einer Viertelstunde komplexe Sachverhalte zum Thema Mobilität für alle Hörer*innen, von der Expert*in bis hin zu fachfremden Interessierten. Abrufbar ist der Podcast direkt über die Projekt-Website Rethinking Mobility Podcast ... oder folgt uns auf Spotify und verpasst keine Episode!
In unserem Projekt CAMO.NRW beschäftigen wir uns mit intelligenter Mobilität und vernetztem Verkehr, wozu wir eine Reihe von Online-Fachworkshops aufgelegt haben. Nächster Termin: 19. November 2021.
Unsere aktuellen wissenschaftlichen Publikationen im Oktober 2021 haben wir im Überblick zusammengefasst. Dabei freuen wir uns über vier Publikationen i.R. von Konferenzen und einen Journalbei-trag!
Akzeptierte Publikation für IEEE DSS 2021
Der Beitrag „A Filter is Better Than None: Improving Deep Learning-Based Product Recommendation Models by Using a User Preference Filter" von Miguel Alves Gomes, Hasan Tercan, Tobias Meisen, Todd Bodnar, Philipp Meisen wurde für die Conference on Data Science and Systems akzeptiert. Gemeinsam mit dem US-amerikanischen Start-Up Breinify haben die Autoren an Deep Learning basierten Empfehlungssysteme gearbeitet. Die Arbeit generiert zwei Beiträge im Bereich Empfehlungssysteme. Zum einen wird der Produktvector (Prod2Vec) Ansatz verbessert, indem gleichzeitig Produktkategorien in das Modelltraining miteinbezogen werden, zum anderen wird ein Filter genutzt, der die Empfehlungen des Produktvektors auf Basis der Kundenpräferenz anpasst. Die Methoden wurden in einem live A/B-Test evaluiert und die Autoren haben die Überlegenheit ihres Ansatzes ge-genüber einem Collaborativ Filtering Ansatz gezeigt.
Veröffentlichte Publikation im Journal of Energy Storage
Der wissenschaftliche Artikel “State of health forecasting of Lithiumion batteries applicable in real-world operational conditions” (Link hier) von Friedrich von Bülow, Joshua Mentz und Tobias Meisen wurde im Journal of Energy veröffentlicht. Der Beitrag ist hier für eine begrenzte Zeit (50 Tage) abrufbar. In ihrem Beitrag schlagen die Autoren ein maschinelles Lernmodell zur Vorhersage des Gesundheitszustands von Lithium-Ionen-Batterien vor, das für BEV-Flottenmanager und Batteriedesigner in realen Anwendungen anwendbar ist.
Veröffentlichte Publikation für AI4I
Der wissenschaftliche Beitrag „When to Message: Investigating User Response Prediction with Machine Learning for Advertising“ von Christian Bitter, Hasan Tercan, Tobias Meisen, Todd Bodnar und Philipp Meisen wurde i.R. der Conference on Artificial Intelligence for Industrie (AI4I) veröffentlicht (Link hier). Die Autoren untersuchten Vorhersagen von Benutzerreaktionen auf Werbebotschaften mit maschinellem Lernen und von Sendezeit als Faktor, um die Wahrscheinlichkeit einer positiven Interaktion zu beeinflussen.
Veröffentlichte Publikation für ICAI2021
Die Publikation über die "Effects of Domain Randomization on Simulation-to-Reality Transfer of Rein-forcement Learning Policies for Industrial Robots" von Christian Bitter, Nik Dondorf & Tobias Meisen ist in den „Proceedings from ICAI’20 and ACC’20“ (Springer, Link hier) erschienen. Die Autoren konzentrierten sich auf das Training von Reinforcement Learning Agenten für Roboter-Aufgaben, nutzten die Randomisierungen in Simulationsumgebungen, um Agenten in die reale Welt zu übertragen und untersuchten, welche Parameter und Randomisierungsgrade die Übertragbarkeit bewirken.
Veröffentlichte Publikation für UACE2021
Dass sich Transfer Learning auch für Sonarbilder, die sich grundlegend von gewöhnlichen Bildern unterscheiden, erfolgreich anwenden lässt, haben Yannik Steiniger, Johannes Groen, Jannis Stoppe, Dieter Kraus und Tobias Meisen untersucht. Ihre Publikation “A study on modern deep learning detection algorithms for automatic target recognition in sidescan sonar images” wurde i.R. der 6th Underwater Acoustics Conference & Exhibition veröffentlicht (Link hier). Darin haben sich die Autoren mit verschiedenen Deep Learning Algorithmen für die Detektion von Objekten in Seitensichtsonarbildern auseinandergesetzt.
