• Ein Großteil der anfallenden Tickets im Kundensupport eines bedeutenden Software-Herstellers für die Baubranche ist mittels verfügbarer Dokumentationen und FAQs lösbar. Zur Entlastung des Kundensupports wurde als ?erster Ansprechpartner? ein Chatbot implementiert, welcher auf der Grundlage der vorhandenen umfangreichen Dokumentation einen Großteil der Kundenanfragen direkt beantworten kann. Dabei sollte der Bot in die bestehende Support-Infrastruktur des Unternehmens eingebunden werden.
• Zur Generierung der Antworten wurde das GPT-4 Sprachmodell von OpenAI genutzt, welches bezüglich des Sprachverständnisses zum Zeitpunkt des Projekts führend war. Die Implementierung erfolgte in Python, wobei mit Hilfe des Langchain Framework dem Sprachmodell spezifisches Wissen über die Produkte zur Verfügung gestellt wurde.
• Neben der eigentlichen Implementierung liegt ein wichtiger Schwerpunkt des Projektes auf der sauberen Auswahl des Datenkontextes und der Beeinflussung des Antwortstils von GPT-4 durch Prompt Engineering. Dies ist insbesondere bei Fragen kritisch, die mit dem gegebenen Datenkontext nicht unmittelbar beantwortet werden können. Zu diesem Zweck wurden Testsets aus realen Supportanfragen zusammengestellt und deren Antworten ausgewertet.

Aufgaben:

• Ausführliche Evaluierung bezüglich der Optionen zur Realisierung eines Kundenservice-Chatbots u. a.:
  • Optimales Sprachmodell
  • Möglichkeiten zur Einbindung der Kontextdaten
• Implementierung des Chatbots
  • Programmierung in Python mit Nutzung des Langchain Frameworks
  • ?Deployment auf Azure OpenAI
• Zusammenarbeit mit dem Kundensupport zur Erlangung von Feedback durch menschliche Experten
• Filterung der eingelesenen Daten (Data Cleaning)
• Steuerung des KI-Verhaltens mittels Prompt Engineering

• Die Umstellung der Know-Your-Customer (KYC)-Infrastruktur erforderte die Anpassung und Migration der bis zu 900.000 Kundendatensätze der Geschäftsbank auf eine neue Datenbankarchitektur. Neben der Transformation der Kundendaten auf neue Datenfelder, war insbesondere eine umfassende Analyse des aktuellen Datenbestandes entscheidend. Ziel war es, die Daten korrekt in die neue Architektur zu integrieren, wobei z. B. Qualitätsmängel im aktuellen Bestand erkannt und behoben werden sollten - insbesondere im Hinblick auf steuerliche und regulatorische compliance.
• Die Schwerpunkte der Arbeiten lagen auf der Datenqualität, wie z.B. der Identifizierung von fehlerhaften/ fehlenden Einträgen und Dubletten. Diesbezüglich ergab eine umfangreiche Analyse, dass knapp 2% der Kundenpopulation im Datenbestand Dubletten aufwies. Weitere Aspekte waren die statistische Analyse der Risikobewertungen der Kunden auf Basis der Branche (bei Unternehmen), oder aber das Erkennen von Inkonsistenzen, z.B. bezüglich der registrierten Adresse und der Umsatzsteuer-Identifikationsnummer.
• Im Hinblick auf die Transformation der Daten auf die neue Architektur wurden Skripte und Mappingtabellen erstellt, welche kategorische Daten auf die neue Struktur abbilden.

Aufgaben:

• Detaillierte Analyse der vorhandenen Datenbasis im Hinblick auf die Ziele:
  • Qualitätssicherung
  • ?Korrektes Mapping der Daten auf die neue Datenbankarchitektur
• Kollaboration mit Arbeitsgruppen unterschiedlicher Workstreams, um deren Arbeitsprozesse bezüglich der neuen Architektur zu optimieren
• Dokumentation und Präsentation der Ergebnisse für die Managementebene

• Im Rahmen des Projekts wurden leistungsfähige Klassifikationsmodelle trainiert, um anhand von Röntgenbildern des Brustkorbs die zugrunde liegende Erkrankung zu identifizieren. Dabei kamen sowohl klassische Techniken des maschinellen Lernens (Support Vector Classifier, Entscheidungsbäume) als auch neuronale Netze zum Einsatz.
• Um eine Überanpassung (Overfitting) an das Trainingssample zu vermeiden, wurden rotierte und gespiegelte Bilder im Training verwendet. Beim klassischen maschinellen Lernen wurde ein Parametertuning durchgeführt, um eine optimale Leistung zu erzielen. Bei den neuronalen Netzen wurden verschiedene Architekturen (z.B. Anzahl der Neuronen in den Schichten, Anzahl und Größe der Filter) getestet. Dabei wurde auch Wert auf eine schlanke Netzgröße gelegt, um einen guten Kompromiss zwischen Performance und Trainingsgeschwindigkeit zu erreichen.
• Das Ergebnis war eine Genauigkeit von ca. 92% für die besten Modelle, wobei der Support Vector Classifier und die Convolutional Neural Networks im Allgemeinen am besten abschnitten.

Aufgaben:

• Implementierung des Datenimports
  
• Implementieren der Bildaufbereitung (Skalieren und Normieren der Bilder)
• Implementierung klassischer Ansätze des Machine Learning
• Implementierung von Deep Learning Modulen
• Programmieren umfangreicher Testszenarien zur Evaluierung der Performance bei unterschiedlichen Parametern

• Bachelor- und Masterstudierende haben in den meisten Studiengängen zusätzlich zu den Vorlesungen so genannte Übungsklassen. In diesen werden die Inhalte der Vorlesungen geübt und vertieft.
• In der Mathematik wird besonderer Wert auf Aspekte gelegt, die in vielen Bereichen der Physik eine wichtige Rolle spielen. Dies sind insbesondere die Differential- und Integralrechnung, mit deren Hilfe z.B. die zeitliche Änderung einer Größe berechnet werden kann. Auch die Vektorrechnung ist in diesem Zusammenhang ein wichtiges Thema, da viele physikalische Größen Vektoren im mathematischen Sinne sind.
• Diese mathematischen Konzepte finden dann unter anderem Anwendung in der klassischen Mechanik oder im Elektromagnetismus.

Aufgaben:

• Vertiefung und Anwendung des Vorlesungsinhalts
• Gemeinsames Erarbeiten des Lösungsweges zu zahlreichen Aufgabenstellungen
• Individuelle Hilfe für Studenten bei Schwierigkeiten in einem bestimmten Bereich
• Ansprechpartner insbesondere vor Klausuren
• Prüfungsaufsicht

• Ziel war die Realisierung eines Systems zur großflächigen Untersuchung der Entwicklung junger Sternpopulationen. Die verwendeten Daten basierten auf astronomischen Beobachtungsdaten, die in ihrer Kombination von hoher Bildauflösung, hoher Lichtempfindlichkeit und großem Sichtfeld einzigartig sind. Aus diesen Bildern wurden Tabellen generiert, die unter anderem Position, Helligkeit und Farbe von Millionen von Objekten enthalten.
• Unter Verwendung bekannter Teilmengen (d.h. bereits bekannter Populationen junger Sterne) wurde mittels schließender Statistik ermittelt, welche Bandbreite an Farb- und Helligkeitskombinationen von diesen Objekten zu erwarten war. Auf dieser Basis identifiziert das System junge Sternpopulationen und gibt die statistische Signifikanz dieser Detektion an. Eine weitere Eingrenzung der Eigenschaften (z.B. Alter der Sterne) erfolgt durch den Vergleich mit Sternmodellen.

Aufgaben:

• Bestimmung der Eigenschaften junger Sterne durch schließende Statistik
• Implementierung eines Data Cleaning Skripts, das die angegebene Farbe in den Daten korrigiert (Objekte sind oft gerötet, siehe Sonne bei Auf- oder Untergang)
• Implementierung einer Testversion, die bereits bekannte Sternpopulationen untersucht
• Umfangreiche Tests zum Vergleich der detektierten jungen Sterne mit Sternmodellen
• Erweiterung der Testversion auf den vollständigen Datensatz
• Bugfixing während des gesamten Entwicklungsprozesses

• Durch Beobachtung desselben Himmelsabschnitts zu verschiedenen Zeiten können Helligkeitsschwankungen von Objekten festgestellt werden. Die graphische Darstellung der Helligkeit in Abhängigkeit von der Zeit wird als Lichtkurve bezeichnet.
• Für eine detaillierte Analyse dieser Lichtkurven wurden die beobachteten Helligkeitsschwankungen mit den zu erwartenden Ungenauigkeiten des Beobachtungsinstruments verglichen. Dies geschah mit Hilfe von Gauß-Tests, die die statistische Signifikanz dieser Schwankungen ermittelten. Nur bei ausreichender Signifikanz wurde die Nullhypothese (alle Schwankungen sind auf Ungenauigkeiten des Instruments zurückzuführen) verworfen. Die Analyse einer möglichen periodischen Schwankung wurde mit Lomb-Scargle-Periodogrammen aus der Astropy-Bibliothek durchgeführt.
• Schließlich wurden typische Eigenschaften der gefundenen variablen Sterne mit Methoden der deskriptiven Statistik bestimmt (z.B. Mittelwert und Median der Helligkeitsschwankungen).

Aufgaben:

• Aggregation der Helligkeitswerte aus allen Beobachtungen, so dass die Daten dem richtigen Himmelskörper zugeordnet sind
• Genaue Bestimmung der zu erwartenden Helligkeitsschwankungen aufgrund des Instrumentenfehlers
• Analyse zur Bestimmung der statistischen Signifikanz der beobachteten Helligkeitsschwankungen mittels Gauß-Tests unter Berücksichtigung des Instrumentenfehlers
• Implementierung eines Klassifikationssystems zur Kategorisierung der gefundenen variablen Objekte in Abhängigkeit ihrer Lichtkurve