Forschung & Weiterentwicklung

Meta Learning ist ein Teilbereich des maschinellen Lernens und wird oft auch als „Lernen lernen“ bezeichnet. Beim Meta Learning werden Algorithmen für maschinelles Lernen trainiert, um Vorhersagen auf der Grundlage von Metadaten wie Netzwerkarchitekturen und Datensatzmerkmalen zu treffen, anstelle von Rohdaten. Durch Meta Learning lassen sich Lernprobleme verallgemeinern, was zu einer drastisch erhöhten Effizienz führen kann. Oft können teure Experimentierverfahren dadurch ersetzt werden. Bei craftworks setzen wir Meta-Learning Techniken genau dafür ein.

​

Der Bereich des Representation oder Feature Learnings befasst sich mit der automatisierten Ermittlung optimaler Repräsentationen von Daten bei einem bestimmten Lernproblem. Das Erlernen der Darstellung, anstatt Stunden oder sogar Tage damit zu verbringen, sie manuell mit herkömmlichen Feature-Engineering-Techniken zu erstellen, ist zeitsparend, führt häufig zu deutlich besseren Ergebnissen und legt häufig zuvor unbekannte Strukturen in den Daten offen. Bei craftworks verwenden wir Techniken des Representation Learning, um verschiedene Herausforderungen zu meistern: Von Natural Language Processing bis hin zu Computer Vision.

​

Das Anwenden von maschinellem Lernen auf Probleme der realen Welt ist nicht nur zeitaufwändig und braucht viel Ressourcen, sondern auch herausfordernd. Das automatisierte maschinelle Lernen (AutoML) übernimmt große Teile des maschinellen Lernprozesses wie Feature-Engineering, Modellauswahl und Hyperparameter-Tuning auf autonome Weise. Dies spart Zeit für Data Scientists und ermöglicht es außerdem Personen, die nicht mit maschinellem Lernen vertraut sind, die volle Leistungsfähigkeit zu nutzen. Daher arbeitet ein Team unserer Ingenieure an der Entwicklung modernster AutoML-Software.

Reinforcement Learning ist ein iterativer Optimierungsansatz, der sich an der Art und Weise wie Menschen lernen orientiert: Versuch und Irrtum. In Kombination mit Deep Learning wird Reinforcement Learning verwendet, um Maschinen hochkomplexe Spiele beizubringen, Roboter dazu zu bringen, beliebige Aufgaben zu lernen, Steuerungssysteme von Kraftwerken zu optimieren und vieles mehr. Bei craftworks erkennen wir den weiten Anwendungsbereich und das enorme Potenzial des Reinforcement Learning. Daher entwickeln wir neuartige Ansätze zur Lösung von Multi-Agent-Problemen mit unvollständigen Informationen.

​