Verborgene nicht-Markovsche Modelle - Formalisierung und Lösungsansätze

Bearbeiter: Dr. Claudia Krull
Projektlaufzeit: 01.04.2008 - 30.09.2012

Zur Modellierung diskreter stochastischer Systems ist es notwendig, das reale System komplett beobachten zu können. Es gibt aber auch Systeme, die nur indirekt beobachtbar sind durch ihre Interaktionen mit der Umwelt, welche als Signale interpretiert werden können. Diese Signale können mit bisherigen Methoden nicht oder nur schwer direkt in den Aufbau eines Modells mit einfließen. Weiterhin ist es nicht einfach möglich für eine Sequenz von Signalen zu bestimmen, wie wahrscheinlich diese ist, oder welches Systemverhalten sie erzeugt haben könnte. Hidden Markov-Modelle (HMM) können nicht beobachtbare Systeme mit stochastischen Signalausgaben abbilden und analysieren, sind aber durch die Verwendung von zeitdiskreten Markov-Ketten eingeschränkt. Diskrete stochastische Modelle (DSM) haben eine größere Ausdrucksmächtigkeit, setzen aber voraus, dass das zu modellierende System komplett beobachtbar ist. Durch die Kombination von HMM und DSM zu Hidden non-Markov-Modellen, werden die Analysemethoden der HMM auch für realistischere Modelle nutzbar. Dadurch ist es möglich Fragestellungen zu beantworten, die mit bisherigen Methoden nicht oder nur schwer lösbar sind.

Analyse Diskreter Stochastischer Partiell-Beobachtbarer Modelle

Bearbeiter: Robert Buchholz
Projektlaufzeit: 01.04.2008 - 30.09.2012

Zur Modellierung diskreter stochastischer Systems ist es notwendig, das reale System komplett beobachten zu können. Es gibt aber auch Systeme, die nur indirekt beobachtbar sind durch ihre Interaktionen mit der Umwelt, welche als Signale interpretiert werden können. Diese Signale können mit bisherigen Methoden nicht oder nur schwer direkt in den Aufbau eines Modells mit einfließen. Weiterhin ist es nicht einfach möglich für eine Sequenz von Signalen zu bestimmen, wie wahrscheinlich diese ist, oder welches Systemverhalten sie erzeugt haben könnte. Hidden Markov-Modelle (HMM) können nicht beobachtbare Systeme mit stochastischen Signalausgaben abbilden und analysieren, sind aber durch die Verwendung von zeitdiskreten Markov-Ketten eingeschränkt. Diskrete stochastische Modelle (DSM) haben eine größere Ausdrucksmächtigkeit, setzen aber voraus, dass das zu modellierende System komplett beobachtbar ist. Durch die Kombination von HMM und DSM zu Hidden non-Markov-Modellen, werden die Analysemethoden der HMM auch für realistischere Modelle nutzbar. Dadurch ist es möglich Fragestellungen zu beantworten, die mit bisherigen Methoden nicht oder nur schwer lösbar sind.

Entwicklung eines Simulationsmodells für die psychiatrische Versorgung in Nord Sachsen-Anhalt

Bearbeiter: Benjamin Rauch-Gebbensleben
Projektlaufzeit: 01.11.2008 - 31.08.2012

Ziel des Projektes ist die Entwicklung einer Software, die auf Basis eines Simulationsmodells Trendaussagen zur Versorgung in der Psychiatrie ermöglicht. Diese wird es erlauben, verschiedene Entwicklungen und Rahmenbedingungen zu variieren sowie deren Auswirkungen zu bestimmen.
Indem die Einfluss- und Zielgrößen untereinander kombinierbar gestaltet werden, wird es möglich sein, unterschiedliche Szenarien zu entwickeln. Derartige Größen können zum Beispiel demographische Faktoren, die Vergütung des Personals und politische Rahmenbedingungen in verschiedensten Wechselbeziehungen sein.

Die Aussagen eines Simulationsdurchlaufes sind dann vom Typ:

Mithilfe des zu entwickelnden Modells können so mittel- und langfristige Vorhersagen der psychiatrischen Versorgungssituation gemacht werden.

Training und Einsatz von Hidden non-Markovian Models im Bereich Mensch-Maschine-Interaktion

Bearbeiter: Sascha Bosse
Projektlaufzeit: 01.11.2011 - 30.12.2013

Das Projekt hat das Ziel, Erkennungsprozesse im Bereich Mensch-Maschine-Interaktion zu verbessern. Dazu werden die an der OVGU entwickelten Hidden non-Markovian Models (HnMMs) eingesetzt. Sie ermöglichen eine zeitabhängige Musterbetrachtung und damit die Einführung des Faktors Ausführungsgeschwindigkeit zur Unterscheidung verschiedener Interaktionsmöglichkeiten Klassische stochastische Mustererkennungsverfahren wie Hidden Markov Models werden bereits erfolgreich eingesetzt, um bestimmte Interaktionen abzubilden und wiederzuerkennen.  Jedoch sind diese Modelle auf Markovsche Prozesse beschränkt und können damit gleiche Muster in verschiedenen Geschwindigkeiten schwierig unterscheiden. HnMMs hingegen können beliebige diskrete stochastische Prozesse (beispielsweise in Form eines Petri-Netzes) modellieren und verarbeiten. Somit ermöglichen sie zum Beispiel die Einbindung zeitbehafteter Zustandsübergänge und nebenläufiger Prozessen. Damit können im Bereich der Mensch-Maschine-Interaktion  semantisch verwandte Befehle durch unterschiedlich schnell ausgeführte Aktionen in Zusammenhang gebracht werden und nebeneinander ausgeführte Interaktionen isoliert werden. Um HnMMs im Bereich Mensch-Maschine-Interaktion anwenden zu können, müssen zunächst Möglichkeiten geschaffen werden, diese abhängig vom Nutzer spezialisieren, also trainieren, zu können. Die bisher betrachteten unüberwachten Lernalgorithmen konnten dabei nicht für HnMMs adaptiert werden. Daher wird in diesem Projekt die Anwendung überwachter Lernmethoden für HnMMs erforscht.

ThinXel und ThinkLets in Group Support Systemen: Definition, Spezifikation und Anwendungsgebiete

Bearbeiter: Stefan Knoll
Projektlaufzeit 01.07.2007 - 01.04.2012

Die Verwendung von Group Support Systemen (GSS) kann zu einer Verbesserung der Effektivität und Effizienz von Gruppenprozessen führen. Die Planung und Durchführung eines Gruppenprozesses setzt aber Expertenwissen, in Form eines professionellen Moderators voraus. Viele Unternehmen scheuen daher, aufgrund von hohen Kosten, den Einsatz eines GSS.

Ein Ansatz zur Optimierung eines GSS stellt die Verbesserung der Benutzerfreundlichkeit dar. Hierdurch kann der Anwender bei der Bedienung des Systems weiter unterstützt werden. Für die Planung, Gestaltung und Durchführung werden aber formale Regeln benötigt, auf deren Grundlage ein System die Effizienz eines gestalteten Gruppenprozess einschätzen, bzw. mögliche Prozessschritte vorschlagen kann.

Dieses Projekt greift daher das Konzept der ThinkLets (DeVreede / Briggs) auf und versucht ein neues Framework für GSS auf der Basis einer formalen Sprache und dem neuen Konzept „ThinXel“zu entwickeln. Ein „ThinXel“ ist als eine elementare Moderationsanweisung definiert, welche bei den Teilnehmern eines Workshops eine zum Ziel führende Reaktion auslöst. ThinXels können wie in einer Programmiersprache unter formalen Regeln zu komplexeren Modulen zusammengefügt werden. Diese Module bilden eine Bibliothek, die zur Erstellung von Moderationsskripten für die Planung und Durchführung von Workshops genutzt werden können. ThinXels erlauben somit eine eindeutige, kompakte Darstellung von Moderationsanweisung für reale und computergestützte Gruppenprozesse.

Computergestützte Innovationsprozesse

Bearbeiter: Nadine Kempe, Jana Görs
Projektlaufzeit: 01.01.2011 - 31.12.2014

Marktführende Unternehmen - insbesondere aus der Technologiebranche sind auf Innovation angewiesen, um ihre Zukunft zu sichern. Sie verwenden dazu einen Innovationprozess, mit dem sie systematisch neue Produkte, Dienstleistungen und Geschäftsmodelle gewinnen. in diesem  Forschungsprojekt werden Methoden zur Unterstützung dieses Innovationsprozesses mit Hilfe der Informationstechnologie entwickelt. diese Methoden sollen interdisziplinären Teams dabei helfen, interaktiv Geschäftsideen zu entwickeln und zu bewerten. Aktuelle Forschung teilt den Innovationsprozess in drei inhaltliche Phasen auf: die Ideengenerierung, den Ideenausbau und die Ideenselektion (auf Grund einer vorangegangen Bewertung). Traditionell steht dabei die Ideengenerierung am Anfang der Prozesskette und ist gefolgt von wiederkehrenden Ausbau- und Selektionsphasen. Das Ziel ist dabei, aus den ursprünglich zahlreichen, rohen Ideen diejenigen zu wählen, die bezüglich gegebener Kriterien am erfolgversprechendsten sind. Um dies entscheiden zu können müssen die Ideen um Informationen angereichert, d.h. ausgebaut, werden. Nach der initialen Ideengenerierung folgt ein erster Auswahlprozess. Dadurch werden Ideen identifiziert, die zielführend und erfolgsversprechend erscheinen. In der ersten Ideenauswahl werden üblicherweise hunderte von Ideen in einer sehr rohen Form durch Experten gesichtet und bewertet. Viele existierende Bewertungsmethoden sind jedoch nur auf einen Bewertungsprozess ausgelegt, der  mit wenigen und sehr weit entwickelten Alternativen arbeitet. Die Anwendung einer solchen Methode für die erste Ideenauswahl ist nicht nur aufwendig sondern auch fehleranfällig. Sie entsprechen den Anforderungen an eine erste Ideenauswahl nicht. Finden diese Methoden dennoch Anwendung, würde die Zeit der Experten verschwendet werden. Die Arbeit von Jana Görs wird sich damit beschäftigen, wie die erste Ideenauswahl ihren Anforderungen entsprechend eine gute und schnelle Auswahl von Ideen ermöglicht. In der geplanten Promotion von Nadine Kempe soll der Ideenausbau näher beleuchtet werden. Das Ziel des Ausbaues ist es, eine verlässliche Bewertung der Ideen zu ermöglichen. Dazu muss die Unsicherheit der einzelnen Bewertungsentscheidungen minimiert werden, was die Fragestellung aufwirft, wie denn ein Ausbau gestaltet sein muss, der dies leisten kann.  Desweiteren zeigen Erfahrungen aus der Praxis, dass sich Ideen durchaus inhaltlich verändern können, während sie den Innovationsprozess durchlaufen. Dieses Phänomen wird jedoch im aktuellen Stand der Forschung nicht behandelt. Diese Lücke soll in der Promotion bearbeitet werden.