(Master) Entwicklung eines Frameworks zum automatischen Relearning von Machine Learning Modellen

Motivation

In der Logistikbranche ist man ständig an Optimierungen interessiert, um Arbeitsabläufe besser vorausplanen zu können. Unter anderem können Machine Learning Modelle eingesetzt werden, um das Verkehrsaufkommen vorherzusagen, was die Genauigkeit in der Tourenplanung verbessern kann. Die Qualität der Vorhersagen kann sich allerdings verschlechtern, wenn das Modell nur einmalig trainiert und über einen längeren Zeitraum verwendet wird. Im Beispiel der Verkehrsvorhersagen kann dies daran liegen, dass sich das Fahrverhalten der Verkehrsteilnehmer ändert, mehr im Home-Office gearbeitet wird oder die Nutzung öffentlicher Verkehrsmittel steigt. Daher ist es sinnvoll, die verwendeten Modelle in angemessenen Abständen neu zu trainieren und zu optimieren. Da das Training auch immer mit Kosten verbunden ist, sollte ein Mittelweg zwischen den benötigten Rechenressourcen und der Qualität der Modelle gefunden werden.

Ziele

In dieser Arbeit beschäftigst du dich mit der Entwicklung eines Frameworks zur automatischen Bestimmung von Zeitpunkten für Modellanpassungen und deren Ausführung. Das Framework trifft die Entscheidung, ob ein neues Training erforderlich ist, und führt die Optimierung der Modellparameter durch. Die Verfahren sollen unter Verwendung von Verkehrsdaten aus dem Raum Unterfranken getestet und evaluiert werden.

Wir bieten

• Innovative Arbeit im Bereich der Logistikplanung
• Unterstützung bei der Einbringung eigener Ideen
• Hervorragende Arbeitsumgebung und intensive Betreuung

Dauer

    6 Monate

Kontakt

Marius Hadry, M.Sc.
marius.hadry@uni-wuerzburg.de
https://go.uniwue.de/hadry