Studium und Forschung

Wie bleiben Datenströme unter wechselnden Netzbedingungen zuverlässig? Wie gewinnt ein System aus einem Gespräch die richtigen Informationen, und wie unterscheidet es die sprechenden Personen? Die Themen verbinden Netzprotokolle und Edge Computing mit Sprach-, Text- und Audioverarbeitung. Projektarbeiten bieten zusätzlich einen Einstieg über Messwerkzeuge, Sensoren und reproduzierbare Experimente.

Bachelorarbeiten konzentrieren sich auf nachvollziehbare Implementierungen, Vergleiche und Fehleranalysen. Masterarbeiten entwickeln und untersuchen eigene Verfahren oder substanzielle Anpassungen. In einer Projektarbeit steht ein funktionierender, nachvollziehbar getesteter Baustein im Vordergrund. Umfang, Daten und Betreuung werden im Gespräch auf den Studiengang und den vorgesehenen Zeitraum abgestimmt.

Bachelorarbeiten

Überlastkontrolle in Rechnernetzen

Wie reagieren klassische Verfahren der Überlastkontrolle, wenn sich der Datenverkehr verändert? In dieser Bachelorarbeit vergleichen Sie ihr Verhalten anhand von Simulationen und Leistungsbewertungen.

Aufgaben

• Bestehende Ansätze zur Überlastkontrolle untersuchen.
• Klassische Algorithmen in einer Simulationsumgebung implementieren.
• Ihre Leistungsfähigkeit unter unterschiedlichen Netzbedingungen vergleichen.

Voraussetzungen: Grundkenntnisse in Python, Linux und Git.

Assistenz: Dr. Ali Ghermezian

Fachlicher Zusammenhang: RMDT · AI-RMDT

Aufgabenverlagerung im Edge Computing

Welche Aufgaben sollten am Netzrand ausgeführt werden, welche in der Cloud? Diese Bachelorarbeit untersucht Strategien zur Aufgabenverlagerung und bewertet die Ausführung und Ressourcennutzung in Edge- und Cloud-Umgebungen.

Aufgaben

• Bestehende Strategien zur Aufgabenverlagerung untersuchen.
• Einfache Offloading-Verfahren mit Simulationswerkzeugen implementieren.
• Latenz und Ressourcennutzung bewerten.
• Die Ergebnisse bei unterschiedlichen Arbeitslasten vergleichen.

Voraussetzungen: Grundkenntnisse in Python und Interesse an verteilten Systemen.

Fachlicher Zusammenhang: Vernetzte Systeme und intelligente Infrastruktur

Einfluss von Spracherkennungsfehlern auf die Informationsextraktion aus Dialogen

Aus einem gesprochenen Ortsnamen kann in der Transkription ein anderes Wort werden. Wann verändert ein solcher Fehler auch die Reiseinformation, die ein System aus dem Gespräch gewinnt? Diese Bachelorarbeit untersucht, wie Spracherkennungsfehler die Extraktion von Start, Ziel, Abfahrtszeit und Ankunftsfrist aus englischen Taxi- und Zugdialogen beeinflussen – und ob der bisherige Gesprächsverlauf hilft oder frühere Fehler weiterträgt.

Aufgaben

• Mit SpokenWOZ eine überschaubare Dialogauswahl vorbereiten; Referenztranskripte durch Abhören und die erwarteten Feldwerte unabhängig prüfen.
• Ein vortrainiertes ASR-System und einen festen Extraktor einsetzen. Geprüften und automatisch erkannten Text jeweils mit und ohne bisherigen Dialogverlauf auf denselben Äußerungen vergleichen.
• Wortfehlerrate, Precision, Recall und F1 der Feldwerte sowie die exakte Übereinstimmung aller vier Felder auswerten. Ortsnamen, Zeiten, Verneinungen und Korrekturen mit konkreten Fehlerpaaren untersuchen.
• Code, Konfigurationen, Vorhersagen und einen reproduzierbaren Auswertungsbericht erstellen; Entwicklungs- und Testdialoge getrennt halten.

Im Mittelpunkt steht die kontrollierte Erklärung der Fehlerfortpflanzung. Die Komponenten bleiben unverändert; das Training eines ASR-Modells oder ein neues Extraktionsverfahren gehört nicht zum Pflichtumfang.

Assistenz: Anastasiia Sapeha

Fachlicher Zusammenhang: KI und multimodale Analyse

Robustheit der Extraktion von Reiseinformationen aus textbasierten Dialogen

„Vom Bahnhof zum Museum, spätestens um sechs“ enthält Orte und eine zeitliche Bedingung. Im Gespräch kommen Verweise, Umformulierungen und spätere Korrekturen hinzu. Diese Bachelorarbeit vergleicht, wie zuverlässig unterschiedliche Verfahren solche Angaben aus englischen Textdialogen gewinnen und welche Rolle der verfügbare Kontext und die Laufzeit spielen.

Aufgaben

• Auf MultiWOZ 2.2 dieselben vier Felder für Taxi- und Zugdialoge vorhersagen: Start, Ziel, Abfahrtszeit und Ankunftsfrist. Nur den bis zur jeweiligen Äußerung sichtbaren Verlauf verwenden.
• Drei vollständige Verfahren aus unterschiedlichen Familien vergleichen, darunter eine regelbasierte Baseline. Alle Verfahren erhalten dieselbe Eingabe und dasselbe Ausgabeformat.
• Geprüfte Paraphrasen, konsistente Ortsersetzungen und indirekte Verweise untersuchen. Aktuelle Äußerung, kurzen Kontext und gesamten bisherigen Verlauf vergleichen.
• Feldwerte mit Precision, Recall, F1 und exakter Übereinstimmung bewerten; Laufzeit, Ausfälle und unbelegte Ausgaben dokumentieren. Reproduzierbaren Code und eine paarweise Fehleranalyse abgeben.

Erwartet wird ein begründeter Vergleich von Robustheit und Aufwand. Ein neues großes Modell ist nicht erforderlich; Fine-Tuning und ein zweiter Korpus sind optionale Erweiterungen.

Assistenz: Anastasiia Sapeha

Fachlicher Zusammenhang: KI und multimodale Analyse

Masterarbeiten

Reinforcement Learning für die Überlastkontrolle

Kann Reinforcement Learning die Überlastkontrolle an wechselnden Datenverkehr anpassen? In dieser Masterarbeit entwickeln und bewerten Sie einen adaptiven Algorithmus in einer Simulationsumgebung und vergleichen ihn mit klassischen Verfahren.

Aufgaben

• Bestehende Ansätze zur Überlastkontrolle untersuchen.
• Einen Algorithmus auf Basis von Reinforcement Learning entwickeln und in einer Simulationsumgebung implementieren.
• Die Netzleistung bei dynamischen Verkehrsbedingungen optimieren.
• Die Ergebnisse mit klassischen Verfahren vergleichen.

Voraussetzungen: Kenntnisse in Reinforcement Learning sowie praktische Erfahrung mit Python, Linux und Git.

Assistenz: Dr. Ali Ghermezian

Fachlicher Zusammenhang: AI-RMDT · KI und multimodale Analyse

Reinforcement Learning für Edge Computing

Kann eine lernende Entscheidung verbessern, wo eine Aufgabe ausgeführt wird? Diese Masterarbeit untersucht Reinforcement Learning für die Aufgabenverlagerung, um Ausführung und Ressourcennutzung in Edge- und Cloud-Umgebungen zu verbessern.

Aufgaben

• Bestehende Strategien zur Aufgabenverlagerung untersuchen.
• Einen Ansatz auf Basis von Reinforcement Learning mit Simulationswerkzeugen entwickeln.
• Die Ergebnisse mit bestehenden Verfahren vergleichen.

Voraussetzungen: Kenntnisse in Reinforcement Learning sowie praktische Erfahrung mit Python, Linux und Git.

Fachlicher Zusammenhang: Vernetzte Systeme und intelligente Infrastruktur · KI und multimodale Analyse

Hintergrundmusik entfernen und Gespräche erhalten

Zwei Personen unterhalten sich, während im Hintergrund ein Lied läuft. Wie lässt sich das gesamte Lied einschließlich Gesang entfernen, ohne leise Stimmen oder überlappende Gesprächsbeiträge zu beschädigen? Diese Masterarbeit verbindet Liedidentifikation, referenzgestützte Unterdrückung und Dialogtrennung mit einer eigenen Strategie zum Schutz der Gesprächssprache.

Aufgaben

• Einen lokalen Katalog frei nutzbarer Musik aufbauen; Lied und passenden Ausschnitt erkennen und die Referenz an Verzögerung, Lautstärke und akustischen Übertragungsweg anpassen.
• Adaptive Unterdrückung und ein vortrainiertes Dialogtrennmodell als Vergleich aufbauen. Mit unverarbeiteter Mischung und einfacher ausgerichteter Subtraktion vergleichen.
• Eine eigene Konfidenz- oder Anpassungsstrategie entwickeln, die bei falscher Referenz oder verändertem Übertragungsweg Gesprächssprache schützt. Ihren Beitrag mit kontrollierten Ablationen prüfen.
• Kontrollierte Mischungen aus Gesprächen und Musik, etwa mit AMI und MUSAN, auswerten. Musik- und Gesangsreste, Sprachschäden und Überlappung getrennt untersuchen; SI-SDR, ergänzend STOI auf Einsprecherintervallen und Hörtests nutzen.

Ergebnis sind eine ausführbare Pipeline und eine methodisch begründete Untersuchung. Der Pflichtumfang ist einkanalig und offline; Echtzeitbetrieb und das Training eines neuen Trennmodells sind optional. Eine verbesserte Unterdrückung bleibt eine zu prüfende Hypothese.

Assistenz: Anastasiia Sapeha

Fachlicher Zusammenhang: KI und multimodale Analyse

Textbasierte Sprecherdiarisierung und kontextuelle Namenszuordnung

Wer spricht, wenn nur die Gesprächswörter vorliegen? Diese Masterarbeit entwickelt eine rein textbasierte Methode, die die Zahl der sprechenden Personen und eine konsistente Zuordnung ihrer Äußerungen gemeinsam schätzt. Namen werden erst anschließend zugeordnet – und nur, wenn der vorgegebene Dialog dafür einen Beleg enthält.

Aufgaben

• Englische Gesprächsausschnitte, zunächst aus AMI, mit neutralen Äußerungs-IDs vorbereiten. Audio, vorgegebene Sprecherzahl, Rollen und sonstige Metadaten bleiben aus der Modelleingabe ausgeschlossen.
• Clustering von Textembeddings und die direkte Inferenz eines Instruktionsmodells als zwei Baselinefamilien vergleichen.
• Eine eigene Methode oder substanzielle Anpassung für Konsistenz über den gesamten Ausschnitt entwickeln, etwa mit paarweisen Sprecherscores oder revidierbarem Sprechergedächtnis. Den Beitrag einzelner Komponenten durch Ablationen untersuchen.
• Sprecherzahl, Gruppierung und Namenszuordnung getrennt bewerten. Verschmelzungen, unnötige Aufteilungen, wiederkehrende Personen und unbelegte Namen analysieren; zugeordnete Namen mit konkreten Textstellen belegen.

Erwartet werden eine eigenständige methodische Untersuchung sowie reproduzierbarer Inferenz- und Auswertungscode. Unbekannte Namen bleiben offen. Modelltraining ist möglich, aber nicht verpflichtend; ein Softwaredemo allein ersetzt die Untersuchung nicht.

Assistenz: Anastasiia Sapeha

Fachlicher Zusammenhang: KI und multimodale Analyse

Projektarbeiten

Netzwerkversuche wiederholbar machen

Projektarbeit. Erstellen Sie einen ausführbaren Ablauf für definierte Bandbreiten-, Verzögerungs- und Verlustprofile. Jeder Versuch soll Konfiguration, Softwarestand und Messdateien zusammenhalten und aus denselben Eingaben wieder dieselben Auswertungsschritte erzeugen. Ein kleiner Satz dokumentierter Testfälle ist wertvoller als eine große Oberfläche ohne überprüfbaren Ablauf. Das Thema eignet sich für Studierende mit ersten Erfahrungen in Skriptprogrammierung.

Fachlicher Zusammenhang: RMDT · AI-RMDT · LTest · HighPerTimer · Experimentelle Infrastruktur

Vom Sensorknoten zum nachvollziehbaren Messprotokoll

Projektarbeit. Verbinden Sie einen kleinen Sensorversuch mit einem Empfänger und einer strukturierten Aufzeichnung. Erkennen Sie fehlende Nachrichten, dokumentieren Sie Sendeparameter und stellen Sie den Zusammenhang zwischen Messwert, Übertragung und Empfang dar. Die Aufgabe kann zunächst mit simulierten Daten beginnen und nach Absprache auf verfügbare Geräte übertragen werden. Erste Erfahrungen mit Mikrocontrollern oder Python reichen für einen abgegrenzten Einstieg.

Fachlicher Zusammenhang: Vernetzte Systeme und intelligente Infrastruktur · SmartLighting · Experimentelle Infrastruktur

Ein kleiner Prüfdatensatz für zwei Datenquellen

Projektarbeit. Erstellen Sie einen überschaubaren Datensatz mit zwei zusammengehörenden Quellen, etwa synthetischen Bewegungsfolgen und kurzen Sprachhinweisen. Legen Sie Zeitbezug, Dateiformat und Prüffälle fest und entwickeln Sie eine Auswertung, die fehlende oder widersprüchliche Zuordnungen sichtbar macht. Ziel ist ein gut dokumentierter Baustein für spätere Experimente. Vorkenntnisse in Programmierung und Datenformaten helfen beim Einstieg.

Fachlicher Zusammenhang: KI und multimodale Analyse · AURORA · ReSeDiUm

Reproduzierbarer Benchmark zur Identifikation bekannter und unbekannter Sprecher

Ein System soll eine registrierte Stimme wiedererkennen, eine unbekannte Person aber auch zurückweisen können. In dieser Projektarbeit entsteht ein wiederverwendbarer Benchmark für diese Entscheidung. Vorgegebene Einsprechersegmente werden mit festen Stimmprofilen verglichen; untersucht wird der Einfluss von Registrierungsdauer, Testsegmentlänge und Rauschen.

Aufgaben

• Mit vortrainierten Encodern Stimmprofile aufbauen. ECAPA-TDNN und einen zweiten Encoder bei gleicher Vorverarbeitung und identischen Testfällen vergleichen; die Gewichte bleiben unverändert.
• Eine reproduzierbare Aufteilung, zunächst mit LibriSpeech und MUSAN-Rauschen, erstellen. Personen in Validierung und Test trennen; Referenz- und Testaufnahmen getrennt halten.
• Je Modell eine Schwelle auf Validierungsdaten wählen und anschließend für alle Testbedingungen fixieren. Das Kalibrierungsziel von höchstens fünf Prozent Falschakzeptanz Unbekannter ist keine Garantie für die Testrate.
• Korrekte Identifikation, Zurückweisung bekannter Personen und Akzeptanz unbekannter oder falsch zugeordneter Personen getrennt ausweisen. Scores speichern und Metriken, Diagramme, Laufzeiten und Ausfälle automatisch berichten.

Ergebnis sind getesteter Code, Konfigurationen, Datenmanifeste und ein automatisch reproduzierbarer Bericht. Identifikation und Rückweisung werden bei vorgegebener Segmentierung geprüft; automatische Segmentierung und neues Modelltraining sind optionale Erweiterungen.

Assistenz: Anastasiia Sapeha

Fachlicher Zusammenhang: KI und multimodale Analyse

Reproduktion der Sprecherzuordnung mit Fisher und AMI

Lässt sich allein an den Wörtern erkennen, ob zwei Textproben von derselben Person stammen? Diese Projektarbeit reproduziert die TACL-Studie „Can Authorship Attribution Models Distinguish Speakers in Speech Transcripts?“ mit Fisher-Telefongesprächen und wendet dieselben Verfahren anschließend auf AMI-Besprechungen an. Die Textproben sind bereits nach den tatsächlichen Sprechern gruppiert; untersucht wird die Verifikation zweier Proben.

Aufgaben

• Die sechs Verfahren TF-IDF, PANgrams, SBERT, CISR, LUAR und AdHominem sowie die sechs Experimentblöcke der Studie nachvollziehbar reproduzieren. Verfügbarkeit der Modelle und Rechenbedarf im Probelauf prüfen.
• Sprecheraufteilungen, Textpaarbildung und Einstellungen der Originalstudie rekonstruieren. Transkriptionsstil, Themenkontrolle, Fine-Tuning, Vortrainingsdomäne und Eingabelänge entsprechend dem Artikel untersuchen.
• AMI-Paare über verschiedene Besprechungen und mit negativen Paaren innerhalb einer Sitzung bilden. Wiederkehrende Personen und verbundene Teams innerhalb derselben Datenaufteilung halten; Unterschiede zu Fisher-Bedingungen offenlegen.
• Zunächst ohne AMI-Abstimmung auswerten. ROC AUC, EER und Fehler an einer auf Entwicklungsdaten fixierten Schwelle berichten; Tabellen und Abbildungen reproduzieren und Abweichungen oder fehlende Ergebnisse begründen.

Ergebnis sind eine ausführbare Reproduktion und ein dokumentierter Korpusvergleich. Sprecherwechsel werden hier nicht geschätzt. Lizenzierte Fisher-Transkripte bleiben in autorisierter Ablage; eine neue Zuordnungsmethode oder höhere Genauigkeit ist nicht erforderlich.

Assistenz: Anastasiia Sapeha

Fachlicher Zusammenhang: KI und multimodale Analyse

Ein Thema besprechen

Besprechen Sie ein Thema zunächst mit Prof. Dr. Dmitry Kachan: Dmitry.Kachan@hs-anhalt.de.

Nennen Sie bei einer Anfrage Ihren Studiengang, die gewünschte Art der Arbeit, Ihre Interessen und Vorkenntnisse sowie den vorgesehenen Zeitraum. Wenn Sie bereits eine eigene Frage oder einen passenden Datensatz haben, beschreiben Sie beides kurz. Die Ansprechpartner im FILA-Team helfen, daraus eine bearbeitbare Aufgabe zu entwickeln.

FILA-Team · Abschlussarbeiten und Studienprojekte · Forschungsgebiete