Thesis: Anforderungsgesteuerte neurosymbolische visuelle Erkennung

Sommersemester 2027 – befristet auf 3–6 Monate Kann explizites Wissen über Objekte die visuelle Erkennung zuverlässiger machen? In dieser Abschlussarbeit untersuchen Sie, wie sich symbolische Anforderungen mit neuronalen Ansätzen für industrielle Anwendungen kombinieren lassen. Ein neuronales Modell erkennt visuelle Konzepte wie Objekte, Bauteile, Attribute und räumliche Beziehungen. Strukturiertes Wissen wird anschließend entweder genutzt, um die Vorhersagen nachträglich zu überprüfen, oder bereits während des Trainings in das Modell eingebunden. IHRE AUFGABEN: Sie bilden ausgewähltes Wissen über Objekte in Form logischer, relationaler und geometrischer Anforderungen ab. Sie untersuchen zwei Ansätze zur Kombination von strukturiertem Wissen und neuronalen Vorhersagen: die nachträgliche Überprüfung der Ergebnisse und das an Anforderungen ausgerichtete Lernen. Sie bewerten, ob das entwickelte System im Vergleich zu einem rein neuronalen Referenzmodell die Konsistenz der Vorhersagen, die Robustheit, die Interpretierbarkeit oder die Dateneffizienz verbessert. Die Arbeit konzentriert sich auf eine begrenzte Auswahl an Objekten und Anforderungen, die sich zuverlässig evaluieren lassen. Das Wissen kann beispielsweise in Form klassischer Regelsätze oder Ontologien abgebildet werden. Neuronale Modelle ordnen die entsprechenden Konzepte den visuellen Informationen in Bildern zu. Ziel der Arbeit ist die Entwicklung einer Methodik und eines Prototyps für ein an Anforderungen ausgerichtetes visuelles Schlussfolgern. Sie untersuchen, unter welchen Bedingungen symbolisches Wissen dabei hilft, widersprüchliche Vorhersagen zu erkennen oder zu korrigieren. Ein wesentlicher Bestandteil der Arbeit ist die kritische Auseinandersetzung mit den zugrunde liegenden Annahmen, den Grenzen des Ansatzes und möglichen Fehlerszenarien. IHR PROFIL: Sie absolvieren ein Masterstudium in Informatik, Künstlicher Intelligenz, Data Science, Robotik, Mathematik, Ingenieurwissenschaften oder einem verwandten Fachgebiet. Sie verfügen über gute Grundlagen im maschinellen Lernen und in Python. Erfahrung mit Computer Vision, PyTorch, Logik, Wissensgraphen, semantischen Technologien oder neuro-symbolischer KI ist von Vorteil. Sie interessieren sich dafür, erlernte Repräsentationen mit explizitem Wissen zu kombinieren und die Annahmen beider Ansätze kritisch zu bewerten. Sie können sich schnell in komplexe technische Fragestellungen einarbeiten, arbeiten selbstständig und systematisch und kommunizieren Ihre Ergebnisse verständlich in einem interdisziplinären Team. Sie verfügen über gute Englischkenntnisse in Wort und Schrift. Sie erfüllen noch nicht alle Anforderungen? Wir freuen uns trotzdem auf Ihre Bewerbung. Uns sind Neugier, Lernbereitschaft und eine systematische Herangehensweise an komplexe Fragestellungen wichtig. Fehlende Kenntnisse können Sie im Rahmen Ihrer Abschlussarbeit weiterentwickeln. Kontakt: Sarah Disch