Unter dem Motto #wirsindzukunft haben die Salzburg AG und die FH Salzburg einen Wissenschaftspreis für Technologie, Innovation und Nachhaltigkeit ins Leben gerufen. Unter den zehn ausgezeichneten Bachelor- bzw. Masterarbeiten finden sich auch zwei Abschlussarbeiten von MultiMediaTechnology-Studierenden. Wir freuen uns sehr und gratulieren herzlich für die tolle Leistung! Beide Studierende erhalten von der Salzburg AG jeweils eine Prämie von 1.000 Euro und ein Goodie-Bag.
Student Samuel Arzt wurde für seine Bachelorarbeit „Deep Reinforcement Learning of High Dimensional Sensory Inputs applied to a modern 3D Video Game“ ausgezeichnet. Darin beschäftigt sich der junge Medieninformatiker mit der Anwendung von Deep Reinforcement Learning Methoden, um eine künstliche Intelligenz (KI) darauf zu trainieren, die Steuerung eines modernen 3D Videospiels selbständig zu erlernen. Reinforcement Learning wurde über die letzten Jahrzehnte besonders bei digitalen Umsetzungen bekannter Brettspiele, wie z.B. Backgammon, Schach oder Go angewendet. Arzts Arbeit zeigt, dass moderne Reinforcement Learning Algorithmen auch erfolgreich in komplexeren 3D-Umgebungen einsetzbar sind. Diese Algorithmen können somit auch in der Spieleentwicklung verwendet werden, um “lernende” Nicht-Spieler-Charaktere oder Vehikel zu programmieren.
Szene aus einem Spiels, in dem die Deep Reinforcement Learning Algorithmen angewendet wurden.
Auch der zweite Preisträger von MultiMediaTechnology, Daniel Scheffknecht, hat sich in seiner Abschlussarbeit „Interaktive Visualisierung extrahierter Erkenntnisse aus neuronalen Netzen“ mit dem Thema Machine Learning beschäftigt. Neuronale Netze werden in einer Vielzahl von Bereichen eingesetzt. Zum Beispiel in der Bilderkennung, bei maschinellen Übersetzungen oder in der medizinischen Diagnose. Wie ein neuronales Netzwerk zu Ergebnissen kommt, ist mitunter aber schwer nachvollziehbar. Scheffknecht analysiert in seiner Masterarbeit, wie Wissen aus neuronalen Netzen extrahiert werden kann, um deren Funktionsweise mithilfe interaktiver Visualisierungen zu erklären. Visualisierungen ermöglichen eine schrittweise Analyse und sorgen für Nachvollziehbarkeit. So lässt sich die Erklärbarkeit von neuronalen Netzen verbessern und das Vertrauen in diese Systeme stärken.