@misc{Kronberger, type = {Master Thesis}, author = {Kronberger, Moritz}, title = {Context-Aware NILM: Disaggregating Electrical Load Profiles with Multimodal Co-Learning and Textual Metadata}, doi = {10.60524/opus-2827}, pages = {232}, abstract = {Non-Intrusive Load Monitoring (NILM) uses machine learning to predict the power consumption of individual electrical consumers from an aggregate source of power data, removing the need for costly sensor hardware. This thesis introduces a multimodal co-learning approach that integrates consumer-specific textual metadata as an additional modality for NILM models. Specifically, metadata are encoded into fixed-length text embeddings, which are fused with the aggregate power data sequence in a Transformer-based deep learning model. This additional input specifies which consumer's power consumption to predict, allowing one model to be trained to disaggregate arbitrary consumers. Representing consumer names and types as word embeddings allows the multimodal NILM model to identify the target consumer and achieve disaggregation performance comparable to models trained individually for each consumer. However, encoding additional contextual information into consumer representations did not improve performance. Future work on adapting the training strategy to better exploit the textual modality could increase the model's ability to utilize contextual information, enabling more generalizable NILM models with better applicability in real-world energy monitoring.}, language = {en} } @masterthesis{Schwarz, type = {Bachelor Thesis}, author = {Schwarz, David}, title = {KI-basiertes Dialogmanagement f{\"u}r die Fehlerbehandlung in einem Robotersystem}, doi = {10.60524/opus-2399}, pages = {120}, abstract = {Diese Arbeit untersucht die Integration eines KI-basierten Dialogmanagements, auch Conversational Agent genannt, in ein Robotersystem und bewertet dessen Potenzial zur Verbesserung der User Experience und Effizienzsteigerung mit Fokus auf die Fehlerbehandlung. Es wird ein Konzept entwickelt, das eine Conversational AI in ein bestehendes System mit kollaborativem Roboter integriert und M{\"o}glichkeiten zur text- sowie sprachbasierten Interaktion schafft. Dadurch wird gezeigt, wie KI-gest{\"u}tztes Dialogmanagement im Kontext der Robotik aussehen k{\"o}nnte, welches Nutzer bei der Bedienung eines Cobots begleitet und sie bei Fragen sowie der Fehlerbehandlung unterst{\"u}tzt. Anschließend wird das Konzept mithilfe eines Prototypen evaluiert. Diese Evaluation umfasst eine Reihe von Aspekten, die darauf abzielen, ein umfassendes Verst{\"a}ndnis der Wirksamkeit, Benutzerfreundlichkeit und des Einflusses des Conversational Agents auf die Interaktion zwischen Nutzer und Robotersystem zu erlangen. Die Ergebnisse dieser Arbeit k{\"o}nnten dazu beitragen, die Zusammenarbeit zwischen Roboter und Benutzer noch weiter zu st{\"a}rken und die Benutzererfahrung, insbesondere f{\"u}r Novizen, zu verbessern.}, language = {de} }