OCG Journal 03/22 Digitale Grundbildung
Alles über das neue Pflichtfach an Österreichs Schulen
Alles über das neue Pflichtfach an Österreichs Schulen
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>OCG</strong> Förderpreise vergeben<br />
von <strong>OCG</strong> Redaktion<br />
Auszeichnungen für<br />
wissenschaftlichen Nachwuchs<br />
In allen Bereichen werden IT-Fachkräfte<br />
händeringend gesucht. Mit den seit 1988<br />
jährlich vergebenen <strong>OCG</strong> Förderpreisen<br />
(ab 2008 auch <strong>OCG</strong> Förderpreis-FH) leistet<br />
die <strong>OCG</strong> einen wichtigen Beitrag zur<br />
Bekämpfung dieses Mangels.<br />
<strong>OCG</strong> Förderpreis<br />
Im Jahr 20<strong>22</strong> wurden von der Jury unter<br />
Vorsitz von Prof. Gabriele Kotsis gleich<br />
drei preiswürdige Arbeiten ausgewählt:<br />
• Fabio Francisco Oberweger: A Learning<br />
Large Neighborhood Search for<br />
the Staff Rerostering Problem<br />
• Theresa Neubauer: Volumetric Tumor<br />
Segmentation on Multimodal Medical<br />
Images using Deep Learning<br />
• Martin Plattner: Generalizing BlockSci<br />
to Cross-Chain Analyses of Forked<br />
Ledgers<br />
Arbeitspläne mithilfe von Machine<br />
Learning optimieren<br />
Oberweger schrieb seine ausgezeichnete<br />
Diplomarbeit an der TU Wien an der Fakultät<br />
für Informatik im Rahmen des Studiums<br />
Logic and Computation, Betreuer<br />
Prof. Günther Raidl.<br />
In seiner Arbeit stellt Oberweger eine mit<br />
Machine Learning (ML) erweiterte Large<br />
Neighborhood Search (LNS) vor, um das<br />
Staff Rerostering Problem (SRRP) zu lösen.<br />
Das SRRP ist ein kombinatorisches Zeitplanungsproblem,<br />
das sich mit Störungen<br />
eines bestehenden Arbeitsplans<br />
befasst, z. B. Krankenstand von Arbeitnehmer*innen<br />
oder Änderung des Personalbedarfs.<br />
Das Ziel des SRRPs ist es,<br />
einen neuen Arbeitsplan unter Berücksichtigung<br />
dieser Störungen zu erstellen<br />
und so wenige Änderungen wie möglich<br />
am ursprünglichen Plan vorzunehmen.<br />
Tumore effizienter und präziser<br />
segmentieren mit KI<br />
Neubauer schrieb ihre ausgezeichnete<br />
Diplomarbeit an der TU Wien an der Fakultät<br />
für Informatik im Rahmen ihres<br />
Studiums Medical Informatics, Betreuer<br />
Prof. Eduard Gröller, in Kooperation mit<br />
dem VRVis (Zentrum für Virtual Reality<br />
und Visualisierung-Forschungs-GmbH)<br />
und der Medizinischen Universität Wien.<br />
Sie forscht in der Biomedical-Image Informatics-Forschungsgruppe<br />
am VRVis<br />
und entwickelt Machine-Learning- und<br />
Deep-Learning-Algorithmen für die computergestützte<br />
Bildanalyse.<br />
Neubauer hat im Zuge ihrer Diplomarbeit<br />
eine neue Methode entwickelt, durch<br />
die multimodale Informationen verschiedener<br />
bildgebender Verfahren für einen<br />
ganzheitlichen, optimierten Diagnose-Workflow<br />
vereint werden können. Die<br />
entwickelte Bild-Segmentierungsmethode<br />
verwendet maschinelles Lernen<br />
(Künstliche Intelligenz), um komplexe<br />
Bildmerkmale und Zusammenhänge<br />
zwischen den Modalitäten zu lernen und<br />
somit den Tumor effizienter und präziser<br />
segmentieren zu können.<br />
Die drei Preisträger*innen des <strong>OCG</strong> Förderpreises<br />
20<strong>22</strong> erhielten ihre Auszeichnung im<br />
Rahmen der DEXA 20<strong>22</strong> an der WU Wien. Im<br />
Bild von links: Martin Plattner, Jury-Vorsitzende<br />
Gabriele Kotsis, Theresa Neubauer und Fabio<br />
Francisco Oberweger<br />
Foto: <strong>OCG</strong> / Scheitz<br />
32 <strong>OCG</strong> <strong>Journal</strong> | <strong>03</strong> • 20<strong>22</strong>
Change language