Forschungsprojekte LWS
Gerne stellen wir Ihnen eine Auswahl unserer Projekte im Bereich Forschung und Dienstleistungen vor.
STACK4FFHS
Stack4FFHS ist ein internes Lehrentwicklunsprojekt. Stack ist ein Moodle-Plugin, das es erlaubt, Aufgaben zu stellen, in denen die Studierenden als Antwort mathematische Ausdrücke und Formeln eingeben können.
Da die Darstellung einer Formel in der Regel nicht eindeutig ist, kann die Eingabe nicht einfach als Text überprüft werden; vielmehr wird sie mit Hilfe des Computeralgebrasystems Maxima geparst und überprüft und dann den Studierenden abhängig von der Lösung ein Feedback gegeben. Im Rahmen des Projekts werden in Moodle Fragesammlungen erstellt mit Fragen zu den Themen Mathematikgrundlagen, Analysis, diskrete Mathematik und Lineare Algebra.
Projektdauer: Das Projekt ist modular aufgebaut und kann einige Semester dauern (Ressourcen abhängig)
Ansprechperson: Urs-Martin Künzi
Measure Based on Graph Automorphism: Theoretical Aspects and Their Application
Das LWS ist Projektpartner im Projekt «Measure Based on Graph Automorphism» von Matthias Dehmer von der FH Steyr.
Ziel des Projektes ist die Untersuchung von Invarianten auf Graphen, insbesondere von solchen, die durch Automorphismen definiert werden. Es wird untersucht, welche Beziehungen es zwischen verschiedenen Invarianten gibt und inwiefern diese Invarianten innerhalb gewisser Graphklassen Graphen eindeutig klassifizieren können.
Kontakt: Urs-Martin Künzi
Projektdauer: 1.2.19 - 30.9.2020
SUVA 2 (Dienstleistungsprojekt)
Die Schweizerische Unfallversicherungsanstalt (SUVA) versucht vermehrt Methoden des Machine Learning zur Optimierung von Aufgaben in den unterschiedlichen Versicherungsabteilungen einzusetzen. Im Speziellen geht es in diesem Projekt um Betrugserkennung im Personenversicherungswesen mit Mitteln des Deep Learning.
Es handelt sich hier um eine Form der Erkennung von statistischen Ausreissern. Die Daten kennzeichnen sich durch eine hohe Dimensionalität (bis zu 1500 Merkmale) und einem hohen Grad an Klassenassymetrie (Betrugsdaten im Promillebereich). Nach Vorarbeiten mit traditionellen Methoden der Statistik und Machine Learning liegt der Schwerpunkt in diesem Projekt auf der Tauglichkeitsanalyse von überwachten (Deep Neural Nets, Generative Adversarial Networks) und unüberwachten (Autoencodervarianten und Boltzmann Maschinen) Methoden des Deep Learning.
Kontakt: Joachim Steinwendner
Projektdauer: 3 Monate
Multi-physics platform for modelling, simulation and control of DED
DED-In718 zielt auf die Realisierung einer Simulations- und Steuerungsplattform für die Additive Manufacturing (AM)-Technologie namens Direct Energy Deposition (DED) ab, die für Anwendungen mit der Legierung Inconel 718 optimiert ist.
Sie wird die Robustheit von DED verbessern, die Produktionskosten und die Zeit bis zur Markteinführung reduzieren, indem sie eine genaue Vorhersage der Geometrie von Inconel 718-Teilen zur Unterstützung der Prozessplanung und -steuerung durch die Integration von experimentellen Daten durchführt.
Projektdauer: 1 Jahr
Methoden: Künstliche Intelligenz, Convolutional Neural Networks, End to End Learning
Kontakt: Martina Perani
Trigger tools and algorithms in the management of chronically ill home care patients
Das interne Projekt wird in Zusammenarbeit mit der Achse 6 (Social systems and public health) durchgeführt.
Ziel ist es, mithilfe intelligenter Tools strukturierte Informationen aus unstrukturierten Arztberichten zu gewinnen, um die klinische Geschichte von Patienten nachvollziehen zu können. Das LWS trägt mit Text-Mining-Algorithmen für die Datenanalyse am Projekt bei.
Ansprechperson: Joachim Steinwendner
Projektdauer: 2020, 1 Jahr
Optimierung der oralen Eisen-Supplementierung während der Schwangerschaft (SNF Projekt)
Im Projekt geht es um die Definition eines Dosierungsschemas mit maximaler Absorption und minimalen gastrointestinalen Nebenwirkungen.
Ziel ist das Studium von Nebenwirkungen bei der oralen Eisen-Supplementierung bei schwangeren Frauen. Das LWS trägt mit einer App zum Projekt bei, mithilfe derer die Frauen die Nebenwirkungen eintragen können.
Kontakt: Joachim Steinwendner, Diego Moretti
Dauer: April 2019 – March 2022
IP-SBM - A new platform for automatic skills extraction and validation of profiles to identify talents
Bereitstellung einer Plattform, die es den Kandidaten ermöglicht, ihr Profil zu registrieren, Referenzen anzufordern und die Zertifizierung ihrer Fähigkeiten und Fachkenntnisse automatisch zu validieren, so dass sie für die weitere Verwendung im Rahmen des Bewerbungs- und Rekrutierungsprozesses gespeichert werden können.
Projektdauer: 18 Monate
Ansprechperson: Beatrice Paoli
IP-EE - RASPLAN
Ziel des Projekts ist die Entwicklung einer Technologie, die das Risiko von flachen Erdrutschen auf der Grundlage von numerischen Bodenmodellen und Wassersättigungskarten abschätzen kann.
Letztere werden aus einem spärlichen Netz automatisierter Sensoren für Bodenfeuchtigkeitsprofile und Datenverräumlichung durch Techniken des maschinellen Lernens gewonnen.
Projektdauer: 24 Monate
Methode: Machine Learning, künstliche Intelligenz, Neuronale Netze
Ansprechperson: Martina Perani
INNO-SBM - Customs Clearance Engine (Innocheque, 2020)
Eine maschinelles Lernen Lösung, die in der Lage ist, die Plausibilität der Schweizer Zollabfertigungsnummern auf der Grundlage guter Beschreibungen vorherzusagen und zu bewerten sowie alle notwendigen Informationen im Zusammenhang mit diesen Zollabfertigungsnummern bereitzustellen.
Projektdauer: 6 Monate
Ansprechperson: Beatrice Paoli
Trendsentdecker und Students@Risk Tools (TrEndS)
Das TrEndS-Projekt ist eine Kooperation zwischen dem Laboratory for Web Science (LWS) und der MSc-Studiengangsleitung.
Es bietet die Möglichkeit einer systematischen Datenerfassung sowie -analyse, um die Potenziale des Studiengangs noch besser zu erkennen und entsprechende Massnahmen daraus abzuleiten. Dieses Projekt basiert auf den vorhandenen Datenbanken CAS Campus und Evento. Es verschafft einen neuartigen Umgang mit den erfassten Daten und beinhaltet zugleich Vorschläge für die Vereinheitlichung und Nutzung verschiedenartig abgelegter Informationen. Machine Learning und Deep Learning-Algorithmen erlauben es künftig, automatisch Informationen aus Daten zu generieren. Das geplante Daten-Analyse-Tool besteht aus den Teilen (I) «Trendsentdecker» sowie (II) «Students@Risk» und lässt nachträgliche Erweiterungen (z.B. Personalisierung des Lernangebots auf geschätztes Risiko basiert) zu.
Kontakt: Martina Perani
Dauer: 1.12.2018 - 29.2.2020
Neural-Network based Solution of partial differential Equations as an Alternative to finite Elements Analysis (Hasler Stiftung)
Dieser Vorschlag zielt darauf ab, mit Hilfe einer neuartigen Technik zur Lösung partieller Differentialgleichungen (PDEs) auf der Basis neuronaler Netze Simulationen für industrielle Anwendungen zu ermöglichen.
Die jüngste Wiederbelebung dieser Methode in der wissenschaftlichen Literatur führte zu mehreren Veröffentlichungen zu diesem Thema, d.h. die Technik ist reif für einen Transfer in die angewandte Forschung.
Projektdauer: 9 Monate
Ansprechperson: Urs-Martin Künzi
E-Assessment: Home Based examination and proctoring using artificial intelligence - Intel Research
Aufgrund des Coronavirus war die FFHS gezwungen, alle Lehrveranstaltungen online abzuhalten und die Prüfung des aktuellen Semesters sicherzustellen.
Deshalb testen wir ein home based Prüfungssystem, um alle Prüfungen ohne Live-Proctoring online zu realisieren. Nachdem wir unseren ersten Pilottest abgeschlossen haben werden, haben wir beschlossen, alle Prüfungen mit unseren Studenten zu Hause durchzuführen. Deshalb testen wir die Integration künstlicher Intelligenz in unser Prüfungssystem. Wir stehen auch in Kontakt mit der wissenschaftlichen Gemeinschaft der DACH-Fernuniversitäten, um unsere Lösung zu diskutieren und unsere Lösung rechtzeitig zur Korona vorzustellen. Unser Prüfungssystem basiert auf Videos vom Bildschirm und von den Testkandidaten. Diese Videos müssen kontrolliert werden, um Betrug zu vermeiden.
Ansprechperson: Joachim Steinwendner
Projektdauer: 1 Jahr
SMAR-TI: Sviluppo di una piattaforma integrata Smart City per il Ticino
Das Projekt zielt darauf ab, eine Plattform für die koordinierte Entwicklung aller Aktivitäten im Zusammenhang mit der Smart City und/oder Smart Region (SC/SR) innerhalb der SUPSI und ihrer affiliierten Schulen zu schaffen und zu testen.
Dieses Instrument wird es ermöglichen, sich gegenüber den verschiedenen Akteuren als ein einziger Gesprächspartner zu präsentieren und die internen Kompetenzen innerhalb der Universität zu koordinieren, um dieses Thema auf integrierte, effiziente und wirksame Weise zu behandeln.
Projektdauer: 1 Jahr
Ansprechperson: Martina Perani / Beatrice Paoli
EAGLE
Das Ziel des EAGLE-Projekts ist es, Defekte an Solarzellen präzise zu erkennen und den daraus resultierenden Leistungsverlust der Solarmodule zu bestimmen. Hierfür nutzen wir hochauflösende Bilder, die in verschiedenen Farbspektren aufgenommen werden.
Manche Defekte lassen sich beispielsweise im Infrarotbereich besser erkennen, während andere im sichtbaren oder ultravioletten Spektrum deutlicher hervortreten.
Zur Analyse dieser Bilder setzen wir auf eine Künstliche Intelligenz, die auf einer Transformer-Architektur basiert – ähnlich der Technologie, die auch hinter ChatGPT steckt. Im Gegensatz zu Textdaten wird unsere KI jedoch speziell für die Verarbeitung von Bilddaten eingesetzt. Dadurch kann sie Defekte schneller und präziser identifizieren, als es dem menschlichen Auge möglich wäre – vollautomatisch und innerhalb von Sekundenbruchteilen.
Diese innovative Technologie ist besonders attraktiv für den Einsatz in der automatisierten Qualitätskontrolle während der Produktion von Solarmodulen sowie für regelmässige Wartungsinspektionen, beispielsweise mit Drohnen.
Projektdauer: 3 Jahre (Nov. 2022 bis Nov. 2025)
Ansprechperson: Projektleiter auf Seiten LWS ist Ralf Jandl; Gesamtprojektleiter ist Mauro Caccivio von der SUPSI.