1194 research outputs found
Sort by
VR- and ML-based System for Mental Workload Estimation
No full textEinleitung:
Mentale Arbeitsbelastung (Mental Workload, MWL) ist ein zentraler Faktor in sicherheitskritischen Bereichen wie der Luftfahrt. Besonders Piloten müssen unter Zeitdruck mehrere Aufgaben gleichzeitig bewältigen, was bei Überlastung zu Fehlern führen kann. Eine objektive Echtzeiteinschätzung der MWL ist daher von grossem Interesse. Für Loft Dynamics, dem Auftraggeber des Projekts, wäre es bspw. hilfreich, wenn Instruktoren während eines Trainingsflugs im Simulator den momentanen MWL eines Piloten einsehen könnten – etwa bei anspruchsvollen Manövern, um Überforderung frühzeitig zu erkennen und das Training gezielt anzupassen. Ziel dieser Arbeit ist es daher, die MWL auf Basis von Augendaten zu schätzen, um eine möglichst schlanke und leicht integrierbare Lösung bereitzustellen.
Vorgehen:
Basierend auf einer Vorgängerarbeit wurden ein bestehendes VR-Game sowie eine zugehörige Python-Anwendung zur Datenspeicherung, Vorverarbeitung und Modelltraining übernommen und umfangreich überarbeitet. Im Rahmen dieser Arbeit wurden physiologische Daten von 13 Probanden aufgezeichnet, die zur Entwicklung und Evaluation von Machine-Learning-Modellen genutzt wurden. Ergänzend wurde eine Python-Applikation entwickelt, die in Echtzeit Augendaten aus dem Flugsimulator der Firma Loft Dynamics verarbeitet und diese an ein trainiertes Modell zur Schätzung der MWL übermittelt. Dadurch lässt sich die MWL eines Piloten während des Simulationsbetriebs kontinuierlich schätzen und visualisieren.
Ergebnis:
Mit zwei unterschiedlichen Verfahren zur Feature-Generierung wurden zwei ähnlich gute Modelle erzielt. Die erste Variante, führte zu einem QDA-Modell welches eine Test-Accuracy von 0.52 und einen F1-Score von 0.51 erzielte. Die zweite Variante, resultierte in einem QDA-Modell welches eine Test-Accuracy von 0.48 und einen Macro F1
Score von 0.43 erreichte. Beide Modelle zeigten ähnliche Leistungen, wobei das QDA-Modell in Bezug auf die Test-Accuracy leicht überlegen war
Architektur-Refactoring der Produktionsplanungs-Software EVOPRO
Get PDFDiese Arbeit untersucht die Neugestaltung der über Jahre gewachsenen Produktionsplanungssoftware EVOPRO mit dem Ziel, Wartbarkeit, Erweiterbarkeit und Testbarkeit zu verbessern. Ausgangslage war ein monolithisches System mit unklarer Trennung der Verantwortlichkeiten, hoher Kopplung zwischen Fachbereichen und geringer Testabdeckung. Dies führte zu Instabilitäten nach Releases und langen Umsetzungszeiten bei neuen Features.
Im Projekt wurden die Architektur und die geforderten Qualitätseigenschaften analysiert. Auf Basis etablierter Architekturmuster – insbesondere Modularen Monolithen und Clean Architecture – entstanden modulare Strukturen mit klaren Verantwortlichkeiten und Schnittstellen. Fachlogik wurde in Use Cases gebündelt und die Architektur durch automatisierte ArchUnit-Tests abgesichert. Zudem entstand ein schrittweiser Plan zur Umsetzung des Refactorings.
Die prototypische Implementierung ausgewählter Module zeigt, wie die Architektur schrittweise modernisiert werden kann. Durch die Trennung von Fachlogik und Infrastruktur, Use-Case-zentriertes Design und automatisierte Tests konnten Abhängigkeiten reduziert und die Testbarkeit gesteigert werden. Das Vorgehen ist auf weitere Module übertragbar und bildet die Grundlage einer nachhaltigen Modernisierung von EVOPRO
Food-Bridge: Synergistische Vernetzung zur Förderung nachhaltiger Lebensmittelallokation
Get PDFIm Rahmen dieser Masterarbeit wurde eine Webplattform zur Förderung von nachhaltiger Lebensmittelverteilung zwischen Hilfsorganisationen und Produzenten entwickelt. Die Plattform leistet damit einen Beitrag zur Reduktion von Lebensmittelverschwendung und zur Unterstützung gemeinnütziger Organisationen. Mithilfe einer Anforderungsanalyse und Kundenfeedback wurden die verschiedenen Funktionalitäten mit den Frameworks Angular und Java/Spring-Boot umgesetzt. Ergänzt wurde die Entwicklung durch den Einsatz einer relationalen SQL-Datenbank, einer CI/CD-Pipeline in Azure DevOps sowie dem Hosting mittels Amazon Web Services, um einen stabilen Betrieb sicherzustellen
Standardisierung von Agenten zur Leistungserfassung in Klinikinformationssystemen
Get PDFIn Schweizer Spitälern werden medizinische Leistungen oft manuell erfasst. Das kostet Zeit und kann zu Fehlern führen. Die Software KISIM der CISTEC AG unterstützt zwar die digitale Leistungserfassung, doch die Agenten – Programme für die automatische Leistungsgenerierung – werden bisher individuell entwickelt und konfiguriert. Diese fehlende Standardisierung erhöht die Betriebskosten und verringert die Flexibilität, Agenten kundenzentriert weiterzuentwickeln.
Ziel dieser Masterarbeit ist die Entwicklung eines einheitlichen Backend-Frameworks für Agenten. Es stellt zentrale Funktionen wie Datenzugriffe, Protokollierung oder Fehlerbehandlung bereit und definiert eine klare Architektur zur Entwicklung neuer Agenten. Entwickler:innen können sich dadurch auf die jeweilige Fachlogik der jeweiligen Agenten konzentrieren, statt Basisfunktionen mehrfach umsetzen zu müssen.
Folglich vereinheitlicht das Framework auch die Codebasis und den Entwicklungsprozess: Neben dem Prototyp entstehen Demo-Agenten, die den Nutzen aufzeigen und eine Grundlage schaffen, die zur Effizienzsteigerung in der Entwicklung beitragen. Durch kohärente, getestete Agenten mit gemeinsamen, validierten Datentypen verringern sich die Komplexität sowie Wartungs- und Entwicklungszeit erheblich
Controlled Image Generation for Reflecting Eating Habits in Virtual Avatars
Get PDFThis thesis explores the use of AI-based image generation to visualize potential physical changes resulting from adherence to personalized meal plans provided by the Smart Eating Platform. The central goal is to generate realistic image transformations that reflect anticipated changes in body composition, thereby enhancing user engagement and motivation.
To identify suitable image generation techniques, we conducted manual testing of several models and selected two open-source methods, ControlNet and Null-text Inversion, for deeper evaluation. Both were systematically assessed by generating several hundred images using different combinations of input images, prompt templates, and parameters. This evaluation led to the identification of an optimal parameter set for each model.
During the course of the project, OpenAI released the GPT-4o image generation model. Although introduced too late for inclusion in the full evaluation pipeline, it was informally tested and showed superior performance in both realism and fidelity to the original image. As a result, GPT-4o was integrated into the final system alongside the two open-source pipelines.
The full solution consists of a modular system architecture with a Python-based FastAPI backend and a React.js frontend. The backend pipeline handles parameter validation, converts meal plans into descriptive textual prompts (termed "reflection in appearance"), and generates corresponding images using the selected image model. The system supports both OpenAI's GPT-4o and Qwen3 as language backends, and allows users to select between the three image generation pipelines based on their preferences or technical constraints.
A user study with nine participants was conducted to evaluate image quality and prompt adherence. GPT-4o emerged as the most reliable and well-rated model overall. ControlNet outperformed Null-text Inversion in average ratings, although with greater variability. These findings validate the decision to include multiple generation backends, providing both high-fidelity results and privacy-conscious alternatives for local execution.
In summary, this thesis presents a flexible, user-configurable pipeline for meal plan–driven image transformation, contributing a novel motivational tool to the Smart Eating Platform
W5: Who did What to Whom, Where, and When
No full textTitel:
W5: Who did What to Whom, Where and When
Untertitel:
Arbeitstyp:
Bachelorarbeit
Semester:
FS 2025
Studiengang:
BSc Informatik
Sprache:
Englisch
Graduate Candidates:
Timo Klingler, Davide Ferrara
Advisors:
Prof. Dr. Mitra Purandare, Benjamin Plattner
Co-Examiner:
Saskia Senn, Mettler Toledo GmbH
Subject Area:
Artificial Intelligence
Introduction:
Vast quantities of unstructured text data are created daily through news articles and social media posts. To support decision-makers, the goal is to extract specific entities from this text to construct structured event data, answering the ‘W5’ questions: Who, What, Whom, Where and When. Traditional methods for creating these event data rely on manual processes or automated systems that parse the texts’ syntactic structures. These approaches struggle with complex sentences, are language-specific and depend on dictionaries for ambiguity resolution, which are costly to maintain. This thesis presents a web-based application designed to convert unstructured textual data, such as news articles, into structured event records using the "W5" questions. The system leverages recent advancements in political event data extraction, particularly the shift from traditional Natural Language Processing (NLP) techniques to Large Language Models (LLMs), to identify and categorize event details with improved accuracy and flexibility.
Approach:
Our approach processes input text through a multi-stage pipeline inspired by the Next Generation Political Event Coder (NGEC), a state-of-the-art framework developed by the political event data community for event extraction. The pipeline begins by assigning one of 16 distinct event types or categories (e.g., cooperation) to the input text through binary classification of each category independently, followed by selecting the one with the highest overall probability. The classified text is summarized by a Bidirectional and Auto-regressive Transformers (BART) model and then fed into a Bidirectional Encoder Representation from Transformers (BERT) question-answering (QA) model, which extracts answers from predefined questions (e.g., "Who is the actor?" "What is the action?"), tailored to the identified category. Named Entity Recognition (NER) is then applied on the answers of the QA model to extract “Who” and “Whom,” as well as to identify temporal (“When”) and geographical (“Where”) information directly from the input text. Identified actors and recipients are linked to their canonical Wikipedia entries using pre-computed Sentence-BERT (SBERT) embeddings. Dates are parsed and evaluated relative to a given reference date. Lastly, extracted place names are matched to canonical entries in the GeoNames gazetteer using SBERT embeddings, allowing us to retrieve the corresponding geographic coordinates.
Result:
We evaluated our system using two key resources: the Global Database of Events, Language, and Tone (GDELT), an open-source repository of global news events, and the Local-Global Lexicon (LGL), which maps place names to precise geographic coordinates. The evaluation was conducted under the constraint that the pipeline must run on limited consumer hardware—a laptop with 16GB of RAM, processing each text sample in approximately 30 to 40 seconds. Our implementation achieved the following F1-scores for the W5 pipeline components: What: 70.42%, Who: 0.06%, Whom: 0.05%, and Where: 0.17%. While the performance for event categorization (What) was strong, the results for entity and location resolution were significantly weaker. Nevertheless, the system constitutes a complete end-to-end solution, and its modular architecture provides a suitable foundation for future improvements.
Bild 1:
The W5 Pipeline: End-to-End Model Integration in the AI Workflow
Bild 2:
Benchmarking Event Classification: Average Model Scores
Bild 3:
W5 Frontend View: Structured Results from News Analysi
Entwicklung und Integration eines adaptiven POI-Empfehlungssystems in die Vanlife-Applikation
No full textEinleitung: Das Projekt befasst sich mit der Erweiterung der bestehenden «Vanlife Travel»
Anwendung durch die Entwicklung und Integration eines intelligenten, adaptiven
Empfehlungssystems für Points of Interest (POI). Ziel ist es, das Nutzererlebnis durch personalisierte
Vorschläge für Aktivitäten und Sehenswürdigkeiten entlang generierter Reiserouten zu bereichern
und so die Nutzerbindung sowie den funktionalen Mehrwert der Plattform zu steigern.
Vorgehen: Für die Empfehlungen wurden bestehende POI-Daten aus der Anwendung verwendet, die
ursprünglich aus OpenStreetMap stammen und bereits als tag-basierte Geodaten in einer Datenbank
strukturiert vorlagen. Nutzerpräferenzen werden über einen initialen Fragebogen erfasst und in
einem Profil abgebildet, das einen mehrdimensionalen Benutzer-Vektor (basierend auf Big-Five
Persönlichkeitsmerkmalen), eine TravelPreferenceClass und einen GroupStyle umfasst. Technisch
kombiniert ein hybrider Empfehlungsansatz wissensbasierte Filterung (Abgleich expliziter
Präferenzen mit POI-Tags) und inhaltsbasierte Methoden (Abgleich von POI-Merkmalen mit dem
Nutzerprofil, teils mittels einer TagAffinityMatrix) zur gezielten Lösung des Kaltstartproblems.
Ergänzt wird dies durch profilbasiertes kollaboratives Filtern, bei dem aggregiertes Nutzerfeedback
(Likes/Dislikes) innerhalb von Nutzersegmenten (TravelPreferenceClass) die Empfehlungen
dynamisch anpasst. Dieses System wurde nahtlos in die bestehende Microservice-Architektur der
Vanlife-Plattform integriert, wobei dedizierte Services für Nutzerprofile, POI-Daten und die
Empfehlungsberechnung über RESTful APIs und gRPC kommunizieren.
Ergebnis: Das Resultat ist ein voll funktionsfähiges und skalierbares POI-Empfehlungssystem, das
Nutzern entlang ihrer Reiseroute relevante und personalisierte Vorschläge unterbreitet. Durch die
Zuweisung von Nutzern zu vordefinierten Reisepräferenz-Klassen und die dynamische Aggregation
von Nutzerfeedback (Likes/Dislikes) verbessert das System laufend die Empfehlungsqualität. Ein
Scoring-Algorithmus fusioniert dazu persönliche Relevanzbewertungen – basierend auf der Affinität
des individuellen Benutzer-Vektors zu POI-Tags (unterstützt durch eine TagAffinityMatrix) – mit
gruppenbasierten Bewertungen, die aus dem Feedback ähnlicher Nutzer (gleiche
TravelPreferenceClass) abgeleitet werden. Diese Scores werden gewichtet zu einem Gesamtwert
kombiniert, was zu nachvollziehbaren und relevanten Vorschlägen führt. Die Lösung ist erfolgreich in
die Frontend- und Backend-Strukturen eingebettet und bereit für den produktiven Einsatz, um die
Reiseplanung für Vanlife-Enthusiasten intelligenter und inspirierender zu gestalten
Citation Recognition in Legal Documents
Get PDFThis bachelor thesis develops a transformer-based system for citation recognition in legal documents. It is intended to replace an existing solution based on regular expression matching, which is hard to maintain and does not generalize to new citation formats.
The task is divided into two steps: One model classifies citations in legal texts into CASELAW, LAW and LITERATURE. A second model identifies the parts of these citations, such as COURT, DATE, ARTICLE, etc.
The existing regex solution serves as data source and benchmark for the first step of recognizing citations. 10 million text chunks containing legal citations are used to fine-tune a Google BERT base multilingual (uncased) model. It achieves a test recall of 96.9%. On a manually annotated dataset, it scores a recall of 74.33%, while the regex solution achieves 72.15%.
Sparse training data poses a challenge for recognizing parts of a citation. Few-shot prompting with an LLM yields good results, but experiments show that it is prohibitively slow in practice. Therefore, knowledge distillation is used to fine-tune a DistilBERT base (uncased) model via the supervision of Llama 3.3 70B. The 1'044 times smaller DistilBERT achieves a similar performance to Llama. The model scores a test recall of 99.11%. On a manually annotated dataset, it achieves a recall of 93.37%.
The final .NET-based solution allows bulk processing of documents and provides a web interface for user interaction. FastAPI is used to serve the fine-tuned models. The results are stored in an MS SQL database.
The proposed solution offers many advantages besides the at par performance with the regex-based system. The solution is more robust and can handle deviations such as typing errors and new citation formats more easily. Moreover, the cherry on top is the improved performance in recognizing parts of a citation with more granular labels
Erweiterung der Vanlife-Applikation um Community-Features und Medienservice
No full textDie Vanlife-Travel-Applikation ist eine Plattform zur Buchung und Planung generierter Campingreisen. Um die Nutzerbindung zu stärken und den Austausch innerhalb der Community zu fördern, fehlten bislang soziale Funktionen sowie eine nachhaltige Lösung zur Verwaltung multimedialer Inhalte.
Ziel dieser Bachelorarbeit war es daher, zentrale Community-Features wie Stories, Likes und öffentliche Profile sowie einen skalierbaren Medienservice zu konzipieren und umzusetzen.
Basierend auf in Workshop erstellten Szenarien wurde ein MVP definiert, das zentrale Funktionen wie die Erstellung und Verwaltung von Stories, die Personalisierung und das Teilen von Reisen sowie das Hochladen von Bildern umfasst.
Die Umsetzung erfolgte innerhalb der bestehenden Microservice-Architektur mit Java, Spring Boot und React mit Redux. Basierend auf einer Nutzwertanalyse wurde die Cloudlösung Azure Blob Storage als Bildablage verwendet. Die Lösungen wurden entlang der definierten funktionalen Anforderungen entwickelt, um sie anschliessend mit Usability-Prinzipien zu ergänzen und mithilfe automatisierter Tests und Usertests zu validieren.
Die erweiterte Applikation ermöglicht es Vanlifern, ihre Reisen mit multimedialen Stories zu dokumentieren, öffentlich zugänglich zu machen oder gezielt mit Bekannten zu teilen. Öffentliche Reisen sind auf einer Entdeckungsseite sichtbar und können geliked werden. Die Stories ersetzen die bisherigen Reviews und beeinflussen die Bewertung von Unterkünften.
Der entwickelte Medienservice sorgt für eine sichere, skalierbare und kosteneffiziente Verwaltung von Bildern. Insgesamt wurde mit der Erweiterung eine funktionale und benutzerfreundliche Grundlage geschaffen, die den Community-Austausch innerhalb der Plattform erheblich steigert
Kiro, das digitale Haustier
Get PDFKiro ist von den digitalen Haustiersystemen der späten 1990er Jahre inspiriert. Mit kleinen
physischen Geräten konnten die Nutzer ihre Haustiere mit verschiedenen Aktivitäten
umsorgen. Wir haben unser eigenes digitales Haustier Kiro entwickelt und es ins Jahr 2025
gebracht, um unsere Fähigkeiten in verteilten Systemen und Webentwicklung zu vertiefen.
Kiro besteht aus einem Game-Manager-Service und weiteren Aktivität-Services. Die
Umsetzung wurde mit Java und Spring-Boot gemacht. Die Kommunikation unter den Services
erfolgt über Messaging, die Kommunikation zur React Frontend-App über REST und die
Aktualisierungen in Echtzeit über WebSocket. Nach dem Spielstart stehen dem Benutzer
verschiedene Aktivitäten zur Verfügung wie: Kiro füttern, ihn schlafen legen und bei niedrigen
Temperaturen mit einer Decke zudecken, um sich um seine Gesundheit zu kümmern. Die
Temperatur dafür wird online über eine Wetter-API abgerufen. Kiro wird auch von selbst
hungrig und schläfrig. Die Benutzeroberfläche ist einfach gehalten und ein Ausgangspunkt, die
Funktionalität zu demonstrieren