Makeathon 2020
Vergangenen Montag war es so weit: Drei Teilnehmergruppen des Makeathon 2020 präsentierten einer Fachjury ihre kreativen Ideen zum Thema „Machine Learning“.
Den Start machte das Team des Projekts „Lazy Lab“, welches eine innovative Lösung für jede Werkstatt vorstellte: Dank ihres Programms ist es nun u.a. möglich nachzuvollziehen, welcher Mitarbeiter sich welches Werkzeug wann aus der Werkstatt geholt hat und, falls es Probleme beim Aufräumen des Werkzeugs gibt, den korrekten Ablageplatz wiederzufinden.
Das Projekt „Irrigation System“ widmete sich ganz unserer Pflanzengesundheit: Egal, ob im Haus oder draußen im Garten, das System misst mittels Sensoren Luft- und Bodenfeuchtigkeit sowie Temperatur und Luftdruck und übermittelt diese Daten direkt an die dazugehörige App. Anhand der bisher hinterlegten Daten berechnet das Programm die „Healthpoints“ der Pflanze. Auf der App sieht der Nutzer dann auf einen Blick, wie es seiner Pflanze geht und an welcher Stellschraube er ggf. drehen sollte, um diese optimal zu versorgen.
Das dritte Projekt befasste sich mit der optischen Erkennung und Klassifizierung von Feuer, ein System, welches beispielsweise bei Brandmeldeanlagen zum Einsatz kommen könnte. Da Brandmelder bei Rauchentwicklung teilweise nur sehr zeitverzögert auslösen, wäre die Erweiterung der Brandmeldesysteme mit dieser optischen Komponente durchaus denkbar.
Die Jury, bestehend aus Brigitte Krattenmacher (IHK Reutlingen), Stefan Schwarzkopf (42 as a Service GmbH) und Götz Martinek (sodge IT GmbH), war sich am Ende einig und so konnte Prof. Dr. Derk Rembold, unter dessen Leitung jährlich ein Makeathon stattfindet, folgende Platzierungen bekanntgeben: Der erste Platz ging, aufgrund der kreativsten Idee mit dem größten Potential zur Weiterentwicklung, an das Projekt „Irrigation System“, gefolgt von „Lazy Lab“ und dem optischen Feuererkennungssystem. Die Teilnehmergruppen erhielten Preisgelder in Höhe von 500€, 200€ und 100€, welche vom VDE, VDI und dem Förderverein der Hochschule gestiftet wurden.
Projektgruppen:
- Irrigation System: Sören Gutbrod, Maximilian Huber, Valentin Acker, Florian Lausterer
- Lazy Lab: Illya Gents, Simon Steiner, Manuel Schmider
- Optische Feuererkennung: Malte Hoffmann
Beim „Machine Learning“ geht es um das „künstliche“ Generieren von Wissen aus Erfahrung. Dabei lernen künstliche Systeme aus Beispielen und können diese dann nach Beendigung der Lernphase verallgemeinern. Im Fall des optischen Feuererkennungssystems wurden beispielsweise ca. 19.000 Bilder zum Trainieren und Validieren der Systems verwendet.
