Dieses Projekt konzentrierte sich auf das Reinforcement Learning und hatte zum Ziel, den DQN-Reinforcement-Algorithmus auf CAD-Daten anzuwenden, um Designs zu optimieren. Die Wirksamkeit der Optimierung wurde anhand der Ergebnisse aus dem Abaqus-Tool bewertet, in das die neu gestalteten CAD-Teile eingegeben wurden. Der Reinforcement-Learning-Algorithmus durchlief Iterationen, bis die gewünschten Spannungswerte für die optimalste Form erreicht wurden. Darüber hinaus wurden alternative Ansätze wie Varianten des Actor-Critic-Algorithmus erforscht, um eine weitere Optimierung zu erreichen.

In einem fortschrittlichen Projekt zur Verbesserung der Qualitätssicherung in der Fertigung spielte der Entwickler eine Schlüsselrolle durch die Spezialisierung auf den Einsatz von Convolutional Neural Networks (CNNs) für die Echtzeit-Defekterkennung. Durch die Entwicklung maßgeschneiderter CNN-Modelle unter Verwendung von PyTorch und TensorFlow gelang es dem Team, ein System zu konzipieren, das fähig ist, Defekte an Bauteilen zu identifizieren. Ein zentraler Bestandteil des Projekts war die Implementierung eines Multiwinkel-Bildaufnahmemechanismus, der es ermöglichte, Komponentenbilder aus verschiedenen Perspektiven zu erfassen. Diese Bilder wurden anschließend zur Analyse in die CNN-Modelle eingespeist. Um die Echtzeit-Performance zu gewährleisten, erfolgte der Inferenzprozess direkt auf Edge-Geräten wie dem Jetson, die mit den Inspektionskameras verbunden waren. Dieser Ansatz ermöglichte eine schnelle und effiziente Defekterkennung direkt an der Produktionslinie, ohne die Notwendigkeit, Daten erst an eine zentrale Verarbeitungseinheit zu senden. Die Verwaltung des gesamten Projektworkflows erfolgte über MLFlow, was eine systematische Nachverfolgung der Experimente, Modelle und Trainingsdaten ermöglichte. Dieses Tool spielte eine entscheidende Rolle bei der Optimierung des Entwicklungsprozesses und der Sicherstellung der Reproduzierbarkeit der Ergebnisse.

Sie waren an der Entwicklung eines kontextbasierten Frage-Antwort-Systems beteiligt, das auf großen Sprachmodellen (LLMs) basiert und speziell auf unternehmensbezogene Anfragen zugeschnitten ist. Durch eine gründliche Evaluierung verschiedener Open-Source-Modelle wie Falcon, Llama, und kommerzieller Lösungen einschließlich GPT-3 gewährleisteten sie die Vielseitigkeit des Systems. Benutzer können das für ihre Bedürfnisse am besten geeignete Modell auswählen. Das System akzeptiert benutzerbereitgestellte Dokumente oder nutzt Modelle, die auf relevanten Unternehmens- oder Domänendaten feinabgestimmt sind. Bemerkenswert ist, dass es prägnante Antworten liefert, ergänzt durch erklärbare Rechtfertigungen über interaktive Grafiken, die Ähnlichkeiten zwischen der Anfrage und den Quelldokumenten aufzeigen. Diese Funktion stattet Benutzer mit den Einblicken aus, die sie benötigen, um informierte Entscheidungen basierend auf den generierten Antworten zu treffen.

In diesem Projekt konzentriert sich die Arbeit auf die Extraktion und Klassifizierung von Informationen unter Verwendung mehrerer NLP-Basistechniken sowie einer verbesserten Form der Named Entity Recognition (NER), um benutzerdefinierte Entitätstypen entsprechend den Geschäftsanforderungen zu identifizieren.

In diesem Projekt liegt der Fokus auf der Generierung von Textclustern mittels eingeschränkter Clusterverfahren und der Bereitstellung textueller Erklärungen für diese Cluster. Die zentralen Fragestellungen umfassen: Aus welchen Gründen sind mehrere Datenpunkte in einem Cluster zusammengefasst? Warum werden zwei Datenpunkte unterschiedlichen Clustern zugeordnet? Und was ist die übergreifende Erklärung dafür?

In diesem Projekt wurde die traditionelle Technik der Kardinalitätsschätzung erfolgreich erweitert, indem neben Punktprognosen auch Konfidenzniveaus und Unsicherheitsmaße für die Kardinalitätsschätzungen bestimmter Abfragen bereitgestellt wurden. Durch die Konstruktion eines Ensembles mit den bestehenden Methoden des aktuellen Stands der Technik konnte die Genauigkeit der Schätzungen signifikant verbessert und die Unsicherheitsmaße effektiv reduziert werden.

Entwicklung einer Search Engine Anwendung mit Apache Lucene. Diese Anwendung erzeugt textuelle Ergebnisse und dazugehörigen grafischen Bilder in der Reihenfolge der Relevanz zur Suchanfrage.

Dieses Projekt, bei dem es hauptsächlich um das "Internet der Dinge" geht, ist ein komplettes System das sowohl aus Software- als auch aus Hardware-Elementen besteht. Die Hardware-Komponente wird am Fahrzeug montiert und dient zur Erfassung des Aufpralls, während die Software eine eine Android-Anwendung, die auf dem mobilen Gerät des Fahrers installiert ist. Bei der Erkennung eines eines Aufpralls, der einen zulässigen Schwellenwert überschreitet, würde das System automatisch ein ein Notfallprotokoll.