Das Verbundprojekt UPLINX ist ein standortübergreifendes Qualifikationsprogramm für Machine Learning mit direktem Praxis- und Anwendungsbezug. Das Verbundprojekt läuft deutschlandweit an allen DFKI Standorten mit Beteiligung der Akademie der Technikwissenschaften (acatech) unter der Leitung des Robotic Innovation Centers. Im Sommer 2019 mündet UPLINX an allen DFKI Standorten in Machine Learning-Schools und Industrie-Workshops. 

Konzept

Im Januar 2018 startete unter Beteiligung aller DFKI-Standorte sowie der Akademie der Technikwissenschaften (acatech) das Verbundprojekt UPLINX, ein standortübergreifendes Qualifikationsprogramm für Machine Learning (ML) mit direktem Praxis- und Anwendungsbezug.

Das Projekt wird vom DFKI Robotics Innovation Center in Bremen koordiniert und umfasst Qualifizierungsmaßnahmen, die von der universitären Lehre bis hin zu zielgruppenorientierten Industrieworkshops reichen.

Durch seine Brückenstellung als Institut der anwendungsorientierten Forschung hat das DFKI einen exzellenten Kontakt zu Zielgruppen aus dem universitären Ausbildungsbereich sowie ein großes Netzwerk in die Industrie. Zudem verfügt es über eine hohe fachliche Kompetenz auf dem Gebiet des Maschinellen Lernens sowie über einen breiten Erfahrungsschatz in der Ausbildung im Graduierten- und Postgraduiertenbereich ebenso wie im Wissenstransfer zu industriellen Anwendern. 

Anmeldungen zu den Machine Learning - Schools und - Workshops an den DFKI Standorten ab Frühjahr 2019 möglich! 

Ziel


Das Ziel von UPLINX ist es, das Potenzial und die Kompetenz des DFKI standortübergreifend zu bündeln, aufeinander abzustimmen, methodisch und organisatorisch zu strukturieren sowie nachhaltig und mit starkem Praxisbezug als übergreifendes Angebot zur Verfügung zu stellen.

Auf diese Weise soll UPLINX ein Qualifizierungsangebot schaffen, in welches der aktuelle Stand der Forschung und Ausbildung einfließt sowie zukünftige Entwicklungen und Trends auf dem Gebiet des ML dynamisch eingebunden und verstetigt werden.


 

Uplinx am Standort Bremen

Am Standort Bremen wird mit dem Robotics Innovation Center der Fokus auf die Implementierung von intelligenten Software-Komponenten für robotische Systeme liegen. 


Die Events setzen hierbei ihren Fokus auf folgende Bereiche des maschinellen Lernens und der Robotik: 

●    Robotik und Maschinelles Lernen:
Grundlagenwissen über benötigte Frameworks und Ansätze von der Steuerung der zu benutzenden Roboter bis hin zu ihrer Sensorik und Aktuatorik

●    Kartierung, Lokalisation und Mapping:
Bildung von Umgebungsrepräsentationen eines robotischen Systems. Von der Fahrtplanung bis hin zur Kollisionsvermeidung.

●    Umgebungsverständnis:
Objekterkennung, -verfolgung und –detektion. Semantische Integration von Objekten in Umgebungsrepräsentationen

●    Manipulation:
Imitations- und Reinforcement Lernen, Manipulationsanalysen und Interaktion mit dem Benutzer und der Umgebung

Die Teilnehmer der Workshops sowie der Machine Learning School lernen einen benötigte Software-Frameworks und Hintergrundwissen in den Themen maschinelles Lernen, Navigation und Kartierung wie auch zur robotischen Manipulation kennen und setzen ihre neu-gewonnenen Erkenntnise praxisorientiert an mehreren Turtlebot-Plattformen um. In den Lehrkonzepten werden unterschiedliche fachliche Hintergründe von potentiellen Teilnehmern berücksichtigt, sowohl in der fachlichen Ausrichtung, IT-Affinität als auch Vorkenntnissen in dem spezifischen Themenfeld.

Die Teilnehmer der Lehrveranstaltungen können so - je nach fachlichem Hintergrund – unterschiedliche Aufgabenstellungen auf den robotischen Systemen umsetzen. So können beispielsweise maschinelle Lernverfahren zur Objektdetektion und –verfolgung mit tiefen Neuronalen Netzen umgesetzt werden, Studien mit den Manipulatorarmen durchgeführt werden oder einfache Bewegungen des Systems per Gestenerkennung gesteuert werden. Die Lehrveranstaltungen werden unterschiedliche Formate von der Vorlesung bis hin zum Workshop zu einzelnen Themen beinhalten. 

Uplinx am Standort Berlin

Am Standort Berlin wird mit dem Fachbereich Interaktive Textilien der Fokus auf die Entwicklung und Umsetzung von anwendungsnahen Konzepten prototypischer Wearables rund um die Mensch-Maschine-Interaktion mit smarten Textilien und soften Interfaces mit Methoden der interdisziplinären und partizipativen Design-Forschung gelegt. 


Die Events setzen hierbei ihren Fokus auf folgende Bereiche des maschinellen Lernens: 

●    Methodisches Design der Architektur einer Wearable-Anwendung des Maschinellen Lernens 

●    Mustererkennung und Klassifikation von Bewegungen durch Wearables 

●    Clustering zur Segmentierung einer Abfolge von Bewegungen (Beispiel Gebärden, Sport-Interaktion)

●    Sequence-to-Sequence-Transfer von Bewegung nach Text/Audio

 

Die Teilnehmer der Workshops, sowie der Machine Learning School, lernen einen nutzerorientierten Entwicklungsprozess kennen und tragen aktiv dazu bei, interdisziplinär entstandene Forschungsmuster zur Datenerhebung zu gestalten und funktionsfähige Demonstratoren und Konzeptmodelle zu erstellen. Eine Reflektion von Wearables und IoT ermöglichen zudem die Herausforderungen der Datenanalyse und Mustererkennung bei textilen Sensoren zu thematisieren und in anwendungsnahen Machine-Learning-Verfahren in den Lehrangeboten umsetzen.

In den Lehrkonzepten werden unterschiedliche fachliche Hintergründe von potentiellen Teilnehmern berücksichtigt, sowohl in der fachlichen Ausrichtung, IT-Affinität als auch Vorkenntnisse in dem spezifischen Themenfeld. Die Teilnehmer der Lehrveranstaltungen können so – je nach fachlichem Hintergrund – mit unterschiedlichen Formen der Interaktion und Materialität experimentieren, sowie mit kontextbezogenen Datensätzen arbeiten. 

Uplinx am Standort Kaiserslautern

Am Standort Kaiserslautern wird der Fachbereich Smarte Daten & Wissensdienste den Fokus auf die Vermittlung von Wissen im Bereich Machine Learning mit besonderem Augenmerk auf Anschaulichen Beispielen aus der Computer Vision liegen. 


Die Events setzen hierbei ihren Fokus u.a. auf folgende Aspekte des Machine Learning: 

●    Grundlegendes Verständnis von der Machine Learning Pipeline und deren Modellen als „Black Box“, die mit separaten Datensätzen trainiert und getestet wird.

●    Implementierung einer Erkennung von Ziffern in Bildern (MNIST)

●    Implementierung einer Erkennung von Objekten in Bildern (CIFAR)

●    Eigenständige Implementierung von Forward- und Backward-Pass eines Multi-Layer Perceptron (MLP), inkl. Backpropagation der Gradienten und Optimierung mittels Stochastic Gradient Descent.
 

Dabei sollen abhängig von der jeweiligen Zielgruppe (Manager, Technische Mitarbeiter, Studenten) verschiedene Level an Verständnis etabliert werden: vom High-Level Überblick über existierende Verfahren und deren Fähigkeiten, über angewendete Rechenoperationen und Optimierungsverfahren, bis hin zu den benötigten mathematischen Grundprinzipien. Die Teilnehmer der Workshops sowie der Machine Learning School werden durch Präsentationen zunächst an die Materie herangeführt. Anschließend werden die aufgezeigten Konzepte mittels praktischer Anwendung auf klassische Beispielprobleme aus der Wissenschaft verinnerlicht.

Ergebnis der einzelnen Übungen soll jeweils ein funktionierendes Machine Learning Modell für den speziellen Anwendungsfall sein. Dies setzt auch bei High-Level Veranstaltungen (z.B. Management-Schulung) prinzipiell eine gewisse IT-Affinität voraus, da zumindest vorgefertigte Tools verstanden und angewendet werden müssen. Trotzdem sollen durch verschiedene Angebote der fachliche Hintergrund von potentiellen Teilnehmern berücksichtigt werden. Dies soll z.B. durch vorbereitete Materialien mit unterschiedlichem Fertigstellungsgrad erreicht werden. Ein Novize kann erste Einblicke in die Welt das Machine Learning sammeln, indem zur Ausführung fertiger Code ausgeführt und das fertige Modell angewendet wird. Teilnehmer mit Programmiererfahrung müssen dagegen fehlende Codeblöcke ergänzen, um zu einem lauffähigen Programm zu gelangen. Angedacht sind hierbei Ipython/Jupyter Notebooks, die problemlos auf der Online-Plattform des UPLINX Projektes zum Download bereitgestellt werden können.
 

Uplinx am Standort Saarbrücken

In der Machine Learning School am Standort Saarbrücken werden in kondensierter, anwendungsnaher Form Themenstellungen aus dem Bereich Maschinelles Lernen im Umfeld des autonomen Fahrens präsentiert und in praktischen Übungen vertieft.

Die Events setzen hierbei ihren Fokus auf folgende Bereiche des maschinellen Lernens: 

1.    Übersicht: Deep Learning, CNNs, LSTMs, Training, Evaluation

2.    Beispiel: Fußgänger-Bewegungssynthese

3.    Beispiel: Lernen und Planen von kollisionsfreier Navigation für autonome Fahrzeuge in OpenDS

4.    Beispiel: Ermittlung der Situationskomplexität und des optimalen Übergabezeitpunkts aus Bilddaten in OpenDS

5.    Beispiel: Intelligente Mobilität und Visualisierung von Energiedaten

6.    Diskussion: ML für die Industrie
 

Die Veranstaltung im universitären / akademischen Umfeld wird gemeinsam von den Fachbereichen Kognitive Assistenzsysteme (COS) sowie Agenten und Simulierte Realität (ASR) ausgerichtet. Sie richtet sich an Studierende, Doktoranden und Post-Doktoranden mit idealerweise vorhandenen Grundkenntnissen des maschinellen Lernens.


Die mit drei Tagen angesetzte Veranstaltung besteht aus Vorträgen (Vermittlung von Hintergrundwissen und Präsentation von Anwendungsbeispielen), praktischen Übungen (Kontakt mit den Daten, Ausprobieren von Klassifikationsverfahren, Einsatz von Tools und ML-Frameworks) sowie Expertendiskussionen (Erfahrungen aus der Industrie). Die gezeigten anschaulichen Anwendungsbeispiele stammen vornehmlich aus der Domäne des autonomen bzw. semi-autonomen Fahrens. Die Methoden werden sich auf Deep Learning konzentrieren und Frameworks aus diesem Bereich betrachten, jedoch werden auch andere ML-Verfahren angesprochen. In allen Fällen ist die Verbindung mit Interaktionstechniken (z. B. bei der Visualisierung von Daten) von besonderer Bedeutung.

Head

Scientific Director:
Prof. Dr. Dr. h.c. Frank Kirchner

Project Manager & Contact Partner Bremen:
Patrick Draheim

Contact Partner Kaiserslautern:
Joachim Folz

Contact Partner Saarbrücken:
Michael Feld
Matthias Klusch

Contact Partner Berlin:
Friederike Fröbel