Praxislabor mit Perspektive Drittes „Deep Learning Lab“

Die Aufgabe: Eine Künstliche Intelligenz (KI) entwickeln, die selbständig menschliche Körperhaltungen erkennt. Das Ziel: Die studierte Theorie in der Praxis anwenden. Im dritten „Deep Learning Lab“ des Instituts für Nachrichtentechnik der Technischen Universität Braunschweig nutzten 30 Masterstudierende verschiedener Disziplinen die Chance, selbstständig neuronale Netzwerke zu programmieren. Die Mitarbeitenden des Instituts halfen mit Rat und Rechenpower weiter – und einem Angebot zum Networking.

Der Gewinner-Algorithmus erkennt sogar die „Human Keypoints“ des LehrLeos. Bildnachweis: Daniel Götjen/Projektgruppe Lehre und Medienbildung

Seit zehn Jahren bestimmen neuronale Netze, wie Computer Muster erkennen und auswerten. Die Künstliche Intelligenz (KI) kann so Spracheingaben erkennen oder Bilder interpretieren. Je komplexer die Aufgabe, desto mehr Schichten, also Tiefe, braucht das neuronale Netzwerk. Beim diesjährigen „Deep Learning Lab“ erstellten die Studierenden Algorithmen, die selbständig Körperteile, sogenannte „Human Keypoints“, des menschlichen Körpers erkennen und zuordnen können. Zehn Teams à drei Personen traten an, um insgesamt 900 Euro Preisgeld zu gewinnen. Dabei knüpften sie auch Kontakte zur Industrie.

Zehntausend Stunden Training

Als „state of the art“ gehört das Training neuronaler Netzwerke zum Kernbestand der Lehre am Institut für Nachrichtentechnik (IfN). Im „Deep Learning Lab“ lernen Studierende seit drei Jahren, ihr Fachwissen in der Praxis anzuwenden. Für eine direkte Betreuung sorgen die wissenschaftlichen Mitarbeitenden des Instituts, die je zwei der zehn Teams beraten.

Das IfN half den Studierenden auch mit Hardware: Mit der geballten Rechenpower von 40 leistungsfähigen Grafikkarten bekamen die Studierenden Zugriff auf eine Infrastruktur, die auch tiefschichtige neuronale Netze bewältigt. Selbst dort dauert ein Daten-Training aber circa zwölf Stunden, wodurch die Grafikprozessoren für alle Teams zusammen insgesamt über zehntausend Stunden rechneten.

Echte und synthetische Daten

Das „Deep Learning Lab“ hat drei Stufen. In der ersten Stufe lernen die Studierenden das Handwerkzeug: die Programmiersprache „Python“. Als zweites stehen Beispiele für klassische Fallstricke des maschinellen Lernens auf dem Programm. Und erst im dritten Schritt startet dann die eigentliche Challenge, eine möglichst gute KI zu programmieren, um ein vorgegebenes Problem zu lösen. „Zur Orientierung erstellten wir zusammen mit Lasse Neumann einen Algorithmus, an dem sich die Wettstreitenden messen können. Diese Baseline war allerdings dieses Jahr besonders schwer zu übertreffen“, erklärt Jasmin Breitenstein, die zusammen mit Andreas Bär die Organisation des „Deep Learning Lab“ übernahm.

Neben der Baseline erhalten die Studierenden Datensätze, um das Netzwerk zu trainieren. Im Trainingsprozess braucht es in der Regel drei Datensätze: Einen, der die KI anlernt. Einen zweiten, um den Fortschritt zu überwachen. Und einen dritten Datensatz, um die Performance auf bisher ungesehene Daten zu testen. Für die Studierenden lag hier eine weitere Schwierigkeit. Während die Trainingsläufe mit künstlich hergestellten, synthetischen Daten abliefen, kamen im Wettbewerb echte Daten, also Fotografien von Menschen in unterschiedlichen Körperhaltungen, hinzu.

Die digitale Siegerehrung des „Deep Learning Lab“.
Bildnachweis: Jan-Aike Termöhlen/TU Braunschweig

And the winner is…

Am Ende konnten sich Lars Mühlenstädt, Jonas Kühnel und Henrik Bohlke durchsetzen und sicherten sich 450 Euro Preisgeld für den ersten Platz. Sie haben nicht nur die starke Baseline geschlagen, sondern mit 415 Stunden auch vergleichsweise wenig Rechenzeit auf den Servern des IfN benötigt. Auf dem Siegertreppchen folgten Buri Sen, Steven Meißner und Felix Meyer-Veit auf dem zweiten (300 Euro) sowie Tessa Stampa, Jana Rehbein und Jonas Sitzmann auf dem dritten Platz (150 Euro).

Aber für die Teilnehmenden lockten nicht nur die dotierten Preisen. Drei Unternehmen suchten beim „Deep Learning Lab“ den Kontakt zu den Studierenden. Mit im Gepäck: Plätze für Praktika, Abschlussarbeiten und berufliche Perspektive.