|
|
Dipl.-Inf. Daniel Herfert
|
Forschungsinteressen und Arbeitsgebiete
Statistische Mustererkennung
Bezeichnet eine Menge von Verfahren, die gemessene Signale automatisch in problemspezifische Kategorien einordnen (Klassifizierung). In diesem Zusammenhang werden Regelmäßigkeiten, Wiederholungen, Ähnlichkeiten oder Gesetzmäßigkeiten (wieder erkennbare Muster) aus einer Menge von Informationen extrahiert und für die spätere Klassifizierungsphase verwendet. Typische Anwendungsgebiete sind unter Anderem die automatische Sprach-, Text- und Gesichtserkennung, sowie zahlreiche Problemstellungen in der Robotik, Genetik und Messtechnik.
Multiagententechnologien und -architekturen
Unter einem Multiagentensystem wird eine Struktur aus mehreren interagierenden autonomen und intelligenten Agenten, die kooperativ oder konkurrierend ein oder mehrere vorher festgelegte Ziele rational erfüllen, verstanden. Dabei befinden sich alle verwendeten Agenten in einer gemeinsamen problemspezifischen Umgebung, in der eine Interaktion mit ihrer Umwelt und anderen Agenten möglich ist. Grundsätzlich bieten diese Entwicklungsumgebungen eine Möglichkeit zur Untersuchung, wie mehrere autonome Agenten ihr Wissen und ihre Ziele, Fähigkeiten und Pläne untereinander koordinieren können, um ein gemeinsames Ziel zu erfüllen. Desweiteren sind in diesem Zusammenhang Problemstellungen zu beachten, wie unter Anderem eine ungenaue Wahrnehmung der Umwelt durch die einzelnen Agenten, die Beachtung von problemspezifischen Laufzeitanforderungen, eine hohe Dynamik, eine Unvorhersagbarkeit und Unzulänglichkeit der Umwelt. In allen diesen Problemstellungen unterscheiden sich die verwendeten Agentenplattformen in ihrem Architekturmodell. Unter einer Agentenarchitektur ( Unterteilung in Reaktive und Kognitive Agententypen ) wird die Art und Weise, wie die Definition und Verwaltung des Agentenverhaltens erfolgt, verstanden.
Maschinelle Lernverfahren
Ziel des Maschinellen Lernens ist die Entwicklung von Methoden zur Realisierung lernfähiger technischer Systeme. In diesem Zusammenhang lernt das künstliche System aus problemspezifischen Beispielen und leitet daraus Verallgemeinerungen ( Gesetzmäßigkeiten ) über die Lerndaten ab. Die Einsatzmöglichkeiten von maschinellen Lernverfahren sind besonders bei Problemstellungen gegeben, in denen das vollständige Wissen zur Bewältigung der Informationsverarbeitungsaufgabe nicht vorliegt oder nur mit einem zeitlich sehr großen Aufwand zu beschaffen ist. Insbesondere ist diese Charakteristik in vielen Problemstellungen des Data Mining aufzufinden, welche die Strukturaufdeckung, Klassifizierung oder Informationsprädiktion aus großen Informationsansammlungen zum Ziel hat.
Kurzbiographie
seit April 2010 wissenschaftlicher Mitarbeiter an der GFaI e.V.
Jan. 2007-Okt. 2009 Studentischer Mitarbeiter am Lehrstuhl für künstliche Intelligenz an der Humboldt Universität zu Berlin Projektgruppe: 2D-Simulationsliga (RoboCup) beinhaltet u.a. - Multiagententechnologien und -architekturen - Verfahren des maschinellen Lernens - Verfahren der klassischen und heuristischen Optimierung - weitere Technologien der Künstlichen Intelligenz
2002-2010: Studium der Informatik (Diplom) an der Humboldt Universität zu Berlin. Thema der Diplomarbeit: Adaptive Verhaltensmodellierung von Multi-Agenten-Systemen.
© GFaI 1994-2010 Kontakt:
Dr. H.-M. Voigt
