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 (1)
- 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.
Export Suchergebnis .bib
Kontakt
Telefon: +49 721 9654-651
E-Mail: Take@ fzi.de- Prozessorientiertes Reinforcement Learning: Grafische Modellierung zur Unterstützung der ErklärbarkeitInfoDetails