Modul

Ziel der Vorlesung ist es, Kenntnisse über Grundlagen und weitergehende Methoden und Techniken zu kontextsensitiven Systemen in vermitteln.

Nach Abschluss der Vorlesung können die Studierenden

• das Konzept von Kontext erörtern und verschiedene für die Informationsverarbeitung durch Menschen und Computer relevante Kontexte aufzählen
• verschiedene Arten von kontextsensitiven Systemen anhand verschiedener Kriterien kategorisieren und unterscheiden
• aus einem allgemeinen Aufbau konkrete technische Implementierungen durch existierende Komponenten ableiten
• die Leistungsfähigkeit konkreter kontextsensitiver Systemen anhand von experimentell ermittelter Metriken bewerten und vergleichen
• Selbst für anhand gegebener Anforderungen neue kontextsensitive Systeme unter Einsatz existierender „Sensor“, „Machine Learning“ und „Big Data“-Komponenten entwerfen.

Kontextsensitivität (englisch: Context-Awareness) ist die Eigenschaft einer Anwendung sich situationsgemäß zu verhalten. Beispiele für aktuelle kontextsensitive Systeme sind mobile Apps, die ihrer Ausgabe anhand der Nutzungshistorie, der Lokation und mit Hilfe der eingebauten Sensorik auf die Umgebungsbedingungen anpassen.

Kontext (wie auch in der zwischenmenschlichen Kommunikation) ist Grundlage einer effizienteren Interaktion zwischen Rechnersystemen und ihren Nutzern, idealerweise ohne explizite Eingaben. Kontexterkennung unterstützt außerdem in verschiedensten Systemen komplexe Entscheidungen durch Vorhersagen auf Basis großer Datenmengen. Die verschiedenen Facetten des Kontextbegriffes, die für das Verständnis kontextsensitiver Systeme gebraucht werden wie sensorischer, Anwendungs-, und Nutzerkontext, werden in der Vorlesung erläutert und ein allgemeiner Entwurfsansatz für Kontextverarbeitung abgeleitet.

Wissen über den aktuellen und voraussichtlichen Kontext erhält ein System, indem es Zeitserien und Sensordatenströme kontinuierlich vorverarbeitet und über prädiktive Analysen klassifiziert. Zur Erstellung geeigneter Modelle werden verschiedenste Methoden des maschinellen Lernens in der Vorlesung vorgestellt. Im Fokus der Vorlesung steht der Entwurf, Implementierung und Integration einer vollständigen, effizienten und verteilten Verarbeitungskette auf der Basis geeigneter „Big Data“-Ansätze. Geeignete technische Lösungsansätze für große Datenbestände, zeitnahe Verarbeitung, verschiedene Datentypen, schützenswerten Daten und Datenqualität werden mit Bezug auf das Anwendungsfeld diskutiert. Die Vorlesung vermittelt weiterhin Wissen und Methoden in den Bereichen Sensorik, sensorbasierte Informationsverarbeitung, wissensbasierte Systeme und Mustererkennung, intelligente, reaktive Systeme.