In onze opleiding staat een ervaring in het werkveld centraal. Daarom worden masterproeven zoveel mogelijk in samenwerking met de industrie georganiseerd. Hieronder vind je een selectie aan recente masterproeven, waarvan enkele ook een prijs in de wacht sleepten.
Interesse om als bedrijf of andere instelling een toekomstig ingenieur zijn eerste stappen te laten zetten op de arbeidsmarkt? Neem dan zeker een kijkje bij Samenwerken!
Het bouwen van streamverwerkings topologieën voor zowel ETL taken als data analyse vereist vaak een nauwe samenwerking tussen data engineers en data scientists. Data scientists willen misschien hun methodes voor analytics iteratief veranderen, willen mogelijks stappen toevoegen of verwijderen in de topologie, echter vereist dit expertise die de data engineer bezit. De huidige state-of-the-art biedt echter geen cohesieve voorzieningen voor samenwerking: bestaande technologieën bieden ofwel geen transparante technieken voor wijzigingsbeheer, ofwel geen methoden voor het gezamenlijk modelleren en bouwen van topologieën.
Dit onderzoek stelt een methode voor om asynchrone samenwerking mogelijk te maken bij zowel het modelleren als het wijzigingsbeheer van staatloze streamverwerkings topologieën. De geïntroduceerde concepten worden geïllustreerd aan de hand van de ontwikkeling van Plumber: een Kubernetes-native raamwerk dat de iteratieve ontwikkeling en het beheer van verwerkings topologieën op een serverless manier mogelijk maakt.
OTIV is een Gentse AI start-up die software ontwikkelt om de veiligheid en efficiëntie van railvervoer in complexe omgevingen te verhogen, door deze voertuigen autonoom te leren rijden. In eerste instantie wil OTIV die veiligheid realiseren door assistentie te bieden aan de bestuurder in de vorm van een Advanced Driver Assistance System (ADAS). Binnen de ADAS is rail segmentatie de basis van het creëren van een veilige zone voor de tram. Deze zone wordt gebruikt als uitgangspunt om te bepalen of er al dan niet een veilige situatie is. Zonder rail segmentatie is wat OTIV wil realiseren, niet mogelijk. Het is de core van hun autonomous driving systeem.
De huidige ontwikkelingen in de beeldherkenning via diepe neurale netwerken bieden goede resultaten in het classificeren van afbeeldingen. Een algemeen probleem met dergelijke methodes is dat ze veel gelabelde data nodig hebben. In bepaalde gevallen, zoals bij het classificeren van staaloppervlaktefouten, is het verkrijgen van gelabelde data een lang en duur proces. In deze masterproef, in samenwerking met ArcelorMittal, worden transfer learning en one-shot learning gebruikt om de benodigde hoeveelheid gelabelde data te minimaliseren.
