Verfahren des Maschinellen Lernens (ML) haben sich für das automatisierte Wahrnehmen von Bildinhalten als mächtige Werkzeuge bewiesen. Um so mehr ist ihre Arbeitsweise für Menschen oftmals schwer nachzuvollziehen. Daher widmet sich die Abteilung "Applied Artificial Intelligence" (AAI)[1] unter anderem dem Thema "Explainable AI" (XAI), bei dem die Arbeitsweisen von ML-Verfahren für Menschen verständlich gemacht werden sollen.

Dazu besteht bereits eine Anwendung, bei der ein Klassifikator Bilder in einem dreidimensionalen Latent-Space abbildet. Der dreidimensionale Flaschenhals ist nötig, damit Menschen mit dem Klassifikationsergebnis in Virtueller Realität (VR) interagieren können. Das VR-Frontend gehört wie auch das ML-Backend zu unserer Laborinfrastruktur, die wir fortlaufend pflegen. Dementsprechend ist es bereits als Docker-Image containerisiert und natürlich von recht hoher Software-Qualität, wie auch unsere Open-Source-Komponenten [2].

Im Rahmen dieser Masterarbeit soll erstens das bestehende Backend auf den Supercomputer des DFKI [3] ausgeliefert und dort trainiert werden. Dazu werden das Container Toolkit von Nvidia [4] und SLURM und SSH verwendet, in die sich im Rahmen der Masterarbeit eingearbeitet werden kann [5]. Mit dem sonstigen Software-Stack aus Linux, Python und PyTorch sollten aber bereits Vorerfahrungen bestehen. Zweitens sollen die Grenzen dieser neu erschlossenen Ressource ausgetestet werden. Dazu ist die bestehende Anwendung um Datensätze mit größerem Umfang oder mit mehr Klassen zu erweitern, das neuronale Netz zu vergrößern und das Trainingsverfahren anzupassen.

Wenn Sie sich für dieses Thema begeistern können, freuen wir uns auf Ihre aussagekräftige Bewerbung als Vorbereitung für ein Fachgespräch mit Ihrem Betreuer (Bengt Lüers) und Abteilungsleiter (Marc Herrlich).

1: https://uol.de/aai
2: https://gitlab.com/dfki/fb/ni/ol/iml/vr/vr.configuration
3: https://www.dfki.de/web/news/dgx-2
4: https://github.com/NVIDIA/nvidia-docker
5: http://projects.dfki.uni-kl.de/km-publications/web/ML/core/hpc-doc/docs/slurm-cluster/