Kontakt
+49 711 685 88402
+49 711 685 78402
E-Mail
Universitätsstraße 38
D-70569 Stuttgart
Deutschland
Raum: 2.369
Sprechstunde
Nach Vereinbarung. Bitte setzen Sie sich spätestens am Tag davor per Email in Kontakt.
Fachgebiet
Projektbereich: IKT-Plattform für die Produktion
Produktionsunternehmen erzeugen in verschiedenen Bereichen der Fertigungsprozesse eine Fülle an Daten, die ihnen wertvolle Erkenntnisse zur Optimierung ihrer Prozesse, Anlagen oder Systeme anbieten können. Die effektive Ausnutzung dieser Industriedaten erfordert den Einsatz von Analysetechniken, darunter Algorithmen des maschinellen Lernens (ML-Algorithmen). Dabei sind verschiedene Komponenten einer Analyselösung auszuwählen und zu konfigurieren, wie z.B. die Datenaufbereitungstechniken, die IT-Recheninfrastruktur und die ML-Algorithmen selbst. Eine auf reine technische Informationen basierte Wahl dieser Komponenten kann die Leistung der resultierenden Analyselösung beeinträchtigen, da die domänenspezifischen Zielsetzungen und Anforderungen des Anwendungsfalls nicht explizit betrachtet worden sind.
Im Rahmen dieses Promotionsprojekts werden domänenspezifische Faktoren für die Auswahl und Konfiguration geeigneter ML-Algorithmen in der Produktion untersucht. Ein auf Basis dieser Untersuchung vorgeschlagenes Rahmenwerk ermöglicht die Spezifikation aller für eine Analyselösung erforderlichen Komponenten. Zusätzlich zu den Daten, der IT-Recheninfrastruktur und der ML-Algorithmen können über geeignete Spezifikationen auch die Problemstellung der Analyselösung über domänenspezifische Zielsetzungen und Anforderungen definiert werden. Ebenso erlaubt es das Rahmenwerk, verschiedene Experten aus der jeweiligen Anwendungsdomäne und aus der Informatik bzw. den Datenwissenschaften in den Entwicklungsprozess einzubeziehen und deren Zusammenarbeit besser zu strukturieren. So können auch Querbezüge zwischen den Spezifikationen der Problemstellung, Daten, IT-Recheninfrastruktur und ML-Algorithmen definiert werden, um damit Analyselösungen ganzheitlich gestalten, umsetzen und validieren zu können.
- Villanueva Zacarias, A. G., Weber, C., Reimann, P., Mitschang, B. (2021). AssistML: A concept to recommend ML solutions for predictive use cases. 2021 IEEE 8th International Conference on Data Science and Advanced Analytics (DSAA), 2021, pp. 1-12, DOI: 10.1109/DSAA53316.2021.9564168.
[URL] - Villanueva Zacarias, A. G., Ghabri, R., Reimann, P. (2021). Leveraging Axiomatic Design to Improve the Design Process of Machine Learning Solutions in Manufacturing. Accepted for publication in a special issue of the International Journal of Semantic Computing (IJSC). To appear.
- Villanueva Zacarias, A. G., Ghabri, R. & Reimann, P. (2020). AD4ML: Axiomatic Design to Specify Machine Learning Solutions for Manufacturing. 2020 IEEE 21st International Conference on Information Reuse and Integration for Data Science (IRI) (p./pp. 148-155), August, 2020. DOI: 10.1109/IRI49571.2020.00029
[URL] - Villanueva Zacarias, A. G., Reimann, P. & Mitschang, B. (2018). A framework to guide the selection and configuration of machine-learning-based data analytics solutions in manufacturing. Procedia CIRP, 72, 153--158. DOI: 10.1016/j.procir.2018.03.215
[URL] - Villanueva Zacarias, A. G., Kassner, L. & Mitschang, B. (2017). Exploring Text Classification Configurations - A Bottom-up Approach to Customize Text Classifiers based on the Visualization of Performance. Proceedings of the 19th International Conference on Enterprise Information Systems, : SCITEPRESS - Science and Technology Publications. DOI: 10.5220/0006309705040511
[URL]
Laufende studentische Arbeiten
Derzeit sind keine studentische Arbeiten offen.
Abgeschlossene studentische Arbeiten
Research Project INFOTECH
- Use and Evaluation of Bayesian Networks to Predict the Performance of ML Solutions. Wintersemester 2020/2021
Masterarbeiten
- ACP Dashboard: An interactive visualization tool for selecting Analytics Configurations in an industrial setting. Juni bis Dezember 2017
- Relevance of the two adjusting screws in data analytics: data quality and optimization of algorithms. Januar bis Juli 2017
Study Project INFOTECH
- Performance Analysis of Machine Learning Models (MLM-Perf). Wintersemester 2019/2020
Practical Course Information Systems
- The Machine Learning Algorithm Wars (ML-Wars). Sommersemester 2019
