Die Etzold Medien-Stiftung vergibt Preise an Absolventen der Hochschule der Medien für die innovativste Abschlussarbeit.

Leonberg - Stefan Seibert vom Masterstudiengang Computer Science and Media der Stuttgarter Hochschule der Medien (HdM) hat im Sommersemester 2018 den Preis der Leonberger Etzold Medien-Stiftung für seine Thesis erhalten. Darin hat er sich mit maschinellem Lernen und künstlicher Intelligenz beschäftigt.

 

Der Preis wurde zum fünften Mal für herausragende und innovative Abschlussarbeiten an der HdM vergeben. Er fördert die Teilnahme des Preisträgers an einer wissenschaftlichen Konferenz. Die prämierten Arbeiten werden außerdem beim Innovations-Tag an der HdM vorgestellt. Der findet Ende November statt.

Stefan Seibert, der aus Augsburg kommt, befasst sich in seiner Arbeit mit dem Einsatz von tiefen neuronalen Netzen in der Echtzeit-Computergrafik. Als konkretes Experiment und Fallbeispiel dient ein Grafikeffekt, der annähernd die Verschattung von 3D-Szenen abbildet. Tiefe neuronale Netze sind eine Technik innerhalb des Fachgebiets des maschinellen Lernens. Beim maschinellen Lernen geht es oft darum, aus einer Menge an ungefilterten Informationen neue Erkenntnisse zu gewinnen, bestimmte Schlüsse zu ziehen oder bestehende Abläufe zu verbessern.

Prinzip des menschlichen Gehirns

Tiefe neuronale Netze nutzen in der Grundidee das Prinzip des menschlichen Gehirns. Viele Neuronen sind miteinander verbunden und reagieren auf Eingaben mit einer bestimmten Ausgabe. Werden bestimmte Eingaben sehr häufig durchgeführt, passt sich die Ausgabe entsprechend an. Dadurch ist es möglich, dem Computer das gewünschte Ergebnis zu präsentieren und ihn selbst lernen zu lassen, wie er von einer Eingabe zu dem Ergebnis gelangt.

In seiner Arbeit hat Stefan Seibert Beispieldaten erzeugt und ein neuronales Netz so weit trainiert, dass es realistische Ausgabedaten erzeugt. „Durch die Verarbeitung von etwa 6000 verschiedenen Eingabedaten und erwünschter Zielausgabe konnte ein neuronales Netz selbst lernen, welche Folgerungen es aus komplett neuen Eingabedaten ziehen muss, um die korrekte Verdunklung in einer unbekannten Szene zu berechnen“, erklärt Seibert. Ähnliche Ansätze werden bereits in der Gesichtserkennung genutzt: Neuronalen Netzen werden sehr viele Bilder von Gesichtern gezeigt, und der Computer lernt dadurch, was ein Gesicht charakterisiert.

Für die Umsetzung ging Stefan Seibert neue Wege, indem er das maschinelle Lernen und Grafikkarten kombinierte. Leistungsfähige Grafikkarten können zur Darstellung von 3D-Szenen in Computerspielen und ähnlichem benutzt werden, aber auch um die Berechnungen von tiefen neuronalen Netzen oder Algorithmen für maschinelles Lernen zu beschleunigen. Für die Verknüpfung beider Anwendungsformen gibt es bislang wenig Fallbeispiele.

Das von Seibert vorgestellte Verfahren könnte in Zukunft in vielen weiteren Anwendungsbereichen nutzbar gemacht werden, etwa wenn ein Fahrzeughersteller Informationen über Bauteile direkt in das Sichtfeld eines Mitarbeiters visualisiert und das Programm maschinelles Lernen zur Prozessoptimierung nutzt, um zu verstehen mit welchen Aufgaben sich Mitarbeiter besonders lange aufhalten. Auch im klinischen Bereich könnte die Verbindung von maschinellem Lernen und Computergrafik bestimmte Hilfestellungen in der Patientenbehandlung bieten.

Anspruchsvolle Forschungsarbeit

Die Jury lobte Seiberts „enorm innovative und anspruchsvolle Forschungsarbeit“. Betreuer waren die HdM-Professoren Stefan Radicke und Johannes Maucher. Die Etzold-Stiftung hat den Preis im Wert von 1000 Euro bereits zum fünften Mal an Absolventen der HdM vergeben. Die Preisträger wählt eine Jury unter Vorsitz von Professor Alexander Roos, Rektor der Hochschule der Medien.

Darüber hinaus fördert die 2015 von Christine und Rüdiger Etzold gegründete Stiftung Projekte von Studenten aus ganz Deutschland im Medienbereich. Das Augenmerk liegt auf der „begreifbaren“ Vermittlung von Wissen.