Marius Take (M. Sc.)

Wissenschaftlicher Mitarbeiter

Werdegang

Marius Take studierte Informatik am Karlsruher Institut für Technologie (KIT). Während des Masterstudiums befasste er sich insbesondere mit dem Themengebiet der künstlichen Intelligenz. Seine Masterarbeit mit dem Titel "Gaußprozesse über Gaußmixturen zur Lösung stochastischer Regelungsprobleme" schrieb er am Lehrstuhl für Intelligente Sensor-Aktor-Systeme (ISAS).

Seit November 2019 ist Marius Take als wissenschaftlicher Mitarbeiter am FZI im Forschungsbereich Software Engineering (SE) beschäftigt und u.a. im Projekt "Intelligente Diagnostik" tätig.

Publikationen

Konferenzbeitrag (2)

1. Software Design Patterns for AI-SystemsInfoDetails

   Marius Take, Sascha Alpers, Christoph Becker, Clemens Schreiber, Andreas Oberweis, 2021

   Well-established design patterns offer the possibility of standardized construction of software systems and can be used in various ways. The systematic use of design patterns in the field of Artificial Intelligence (AI) Systems however, has received little attention so far, despite AI being a popular research area in recent years. AI systems can be used for a wide variety of applications and play an increasingly important role in business and everyday life. AI systems are becoming more complex however, the actual machine learning (ML) task comprises only a small part of the total source code of a system. In order to maintain a clear and structured architecture for such systems and to allow easy maintenance, standardized elements should be reused in the design. This paper describes possible applications of well-known design patterns in AI systems to improve traceability of the system design.

2. Prozessorientiertes Reinforcement Learning: Grafische Modellierung zur Unterstützung der ErklärbarkeitInfoDetails

   Clemens Schreiber , Gunther Schiefer , Sascha Alpers , Marius Take und Andreas Oberweis, 2020

   Das Verstärkende Lernen (Reinforcement Learning) stellt einen wichtigen Ansatz für Systeme der Künstlichen Intelligenz (KI-Systeme) dar. Dabei steigt der Anspruch an die Erklärbarkeit der KI-Systeme mit zunehmender Risikobehaftung der zu lösenden Problemstellungen. Um den Lernprozess beim Verstärkenden Lernen nachvollziehbar zu machen, verfolgen wir einen prozessorientierten Lernansatz. Zunächst soll der Lernprozess mit Hilfe eines grafischen Prozessmodells abgebildet werden, um eine Visualisierung der einzelnen Lernschritte zu ermöglichen. Diese Prozessmodellierung soll durch die Verwendung von Process Mining Methoden erfolgen. In einem weiteren Schritt soll den Anwendern die Möglichkeit gegeben werden, anhand der Prozessmodelle die Entscheidungsfindung der Algorithmen zu beeinflussen. Eine mögliche Art der Einflussnahme ist zum Beispiel die Beschränkung des Hypothesenraumes, der mit Hilfe des Verstärkenden Lernens erkundet werden soll. Auf diese Weise agiert das Prozessmodell als grafische Schnittstelle zwischen maschinellem Lernprozess und Anwender. Das wesentliche Ziel dieses neuen Ansatzes ist es, die Erklärbarkeit von KI-Systemen und die Kooperationsfähigkeit zwischen Anwendern und KI-Systemen zu verbessern. Dieser Artikel beschreibt die Grundlagen, um dieses Ziel mit Hilfe von prozessorientiertem Reinforcement Learning zu erreichen.

Bericht (1)

1. AI-Systems Development with Design PatternsInfoDetails

   Marius Take, Sascha Alpers, Christoph Becker, Clemens Schreiber, Andreas Oberweis, 2021

   The use of software design patterns has a long-standing history with regard to good practice in the area of software design. Software design patterns comprise (code) templates that have proven to be suitable to solve reoccurring challenges in software systems design. They enable the standardized construction of software, a common design vocabulary as well as comprehensible documentation. Hence, they allow for cost and time savings. As AI systems are becoming increasingly complex, the need for tools that support the development of clearly structured architectures has increased. While the proliferation of AI systems has increased dramatically recently, the systematic application of software design patterns within the field of Artificial Intelligence (AI) has received little attention so far. However, software design patterns provide a promising approach for this challenge. This paper describes possible adaptations and applications of the Gang of Four design patterns in AI systems to improve comprehensibility of the system design. Moreover, the combinations of software design patterns can be used to address requirements of AI system such as equity at an architectural level, thereby hindering bad design in AI systems development.

Export Suchergebnis .bib

Kontakt

Telefon: +49 721 9654-651
E-Mail: Take@dont-want-spam.fzi.de

Zurück