Im Rahmen des Moduls „Informatik in der Praxis: Wirtschaft und Industrie“ arbeitet forcont bereits seit vier Jahren mit der Universität Leipzig zusammen, um prototypisch neue Themengebiete der Informatik zu erschließen und Studenten einen Einblick in den praktischen Unternehmensalltag zu geben.

Im Sommersemester 2018 war das Thema, das wir zusammen mit einer Gruppe aus fünf Studenten bearbeitet haben, „Deep Learning bei forcont“.

Projektablauf

Über „Künstliche Intelligenz“ (KI) wird derzeit viel diskutiert. Jedoch befinden sich konkrete praktische Anwendungen, die KI nutzen, in mittelständischen Unternehmen meist noch in der Entwicklung, sofern diese das Potenzial von KI für sich nutzen wollen. Der Begriff „KI“ bezieht sich meist auf das Feld des maschinellen Lernens, das ein Teil der künstlichen Intelligenz ist. Ein Teilgebiet des maschinellen Lernens wiederum ist Deep Learning. Das ist ein Verfahren, welches auf dem Einsatz von neuronalen Netzen basiert, die aus vielen Schichten von Neuronen bestehen, und in der Veranstaltung von uns als Lösungsansatz gewählt wurde.

Über einen Zeitraum von zehn Wochen haben sich die Studenten mit der Aufgabe beschäftigt, Produktrezensionen von Amazon von einem neuronalen Netz so bewerten zu lassen, dass die Vorhersagen des Systems mit der tatsächlichen Bewertung des Produktes übereinstimmen.

Technisch handelt es sich bei der Aufgabe um eine Multiklassifikation von textuellen Daten. Einem Bewertungstext wird immer die Anzahl von Sternen zugeordnet, für die das neuronale Netz die größte Wahrscheinlichkeit berechnet hat.

Das Projekt wurde mit der Programmiersprache Python umgesetzt, was im Deep Learning-Bereich die am häufigsten genutzte Sprache ist. Dazu kamen die Frameworks Keras und als dessen Grundlage Tensorflow zum Einsatz. Googles Tensorflow ist das meistgenutzte Framework im Forschungsgebiet der künstlichen Intelligenz. Keras ist eine Abstraktionsschicht, die auf Tensorflow aufbaut und die Verwendung dessen erleichtert, was den Studenten einen schnelleren Einstieg und produktiveres Arbeiten ermöglichte.

Für die Projektdurchführung haben wir einen agilen Ansatz in Anlehnung an Kanban und Scrum gewählt. Durch die offene Natur der Fragestellungen wurde iterativ gearbeitet und neue Erkenntnisse und Lösungen wurden direkt in das beste bestehende neuronale Netz eingebaut.

Um zeitliche Flexibilität und regelmäßige Kommunikation im Team zu gewährleisten, haben wir neben zweiwöchigen Vor-Ort-Treffen in der forcont auf zweimal in der Woche stattfindende Remote Meetings gesetzt, die mittels des Programms Discord auf zeitgemäße Art und Weise umgesetzt wurden.

Ergebnisse

Der Prototyp zum Beginn der Ringvorlesung hatte eine Erfolgsrate von etwa 50% beim Erkennen der Bewertungen. Im Verlauf der Zusammenarbeit konnte diese durch verschiedene Maßnahmen im einstelligen Prozentbereich verbessert werden.

Die Unterscheidung der fünf Klassen an Bewertungen hat sich dabei als schwieriger erwiesen als erwartet, denn alle Bewertungen sind von Menschen geschrieben und daher subjektiv. Was eine Person als 4-Sterne-Bewertung sieht, ist jemand anderem fünf Sterne wert. Das sorgt für widersprüchliche Trainingsdaten, die dem Netz das Lernen der korrekten Klassifizierung erschweren.

Wenn man allerdings alle positiven (vier und fünf Sterne) und negativen (eins und zwei Sterne) Bewertungen zusammenfasst, verbessert sich die Genauigkeit des Netzes erheblich auf etwa 80% beim Testen gegen einen ausgewählten Auszug aus den Testdaten. Eine wichtige Erkenntnis ist also, dass neuronale Netze immer nur so gut sein können, wie die Aufgabe gestellt ist, die man für sie modelliert.

Fazit

Abschließend lässt sich sagen, dass die Studenten im Rahmen der Ringvorlesung viele neue Erfahrungen im Bereich Deep Learning und einen spannenden Einblick in den Unternehmensalltag gewinnen konnten.

Die forcont konnte ein erstes praktisches Projekt im Feld der künstlichen Intelligenz durchführen, das als Grundlage für zukünftige Entwicklungen zur Verfügung steht.

Am Ende fanden die Studenten, dass die Zeit für die adäquate Bearbeitung des umfassenden Themas etwas knapp bemessen war. Das Feedback berücksichtigen wir gern und freuen uns bereits auf die Fortsetzung der Ringvorlesung in zukünftigen Semestern.