News-Artikel

Auf der GECCO 2026 gab Nils Leusmann einen Vortrag zur neuesten Entwicklung des Open-Source Tools EvoAl. Der Beitrag zeigt, wie das DSC international Barrieren in der Anwendung von Optimierung und Machine Learning reduziert und so zur datenwissenschaftlichen Gemeinschaft und Forschung beiträgt.

Die GECCO Konferenz

Vom 13. bis 17. Juli 2026 kamen Forschende in San Jose, Costa Rica zur Genetic and Evolutionary Computation Conference (GECCO) zusammen. Die jährlich stattfindende Konferenz präsentiert bereits seit 1999 die neuesten Ergebnisse in genetischer und evolutionärer Berechnung. Zentrale Themen umfassen unter anderem genetische Algorithmen und Programmierung, Schwarmintelligenz, Evolutionary Machine Learning, Neuroevolution, Benchmarking und Reproduzierbarkeit. Die Konferenz erhielt bereits mehrmals den ICORE Rang A und ist somit eine der am höchsten platzierten Konferenzen im Bereich der evolutionären Berechnung.

Das DSC in Costa Rica

Nils Leusmann repräsentierte das DSC im Workshop “Open Source Software for Evolutionary Computation (EvoOSS)” mit dem Workshop Paper „Enhancing Surrogate Model Usability for Optimisation Experts through Extended ML Support in EvoAl“.

Das Paper präsentiert die neueste Entwicklung des Open-Source Data-Science Tools EvoAl: mittels einer Erweiterung ermöglicht die Software es Forschenden, auch ohne weitreichende Machine Learning Kenntnisse komplexe KI-Modelle einzusetzen.

Komplexe Modelle ohne ML-Kenntnisse

Die bisherige Problematik: EvoAl nutzt sogenannte Surrogatmodelle, welche langwierige Berechnungen von Optimierungsprozessen durch schnelle KI-Vorhersagen ersetzen. Doch Experten in der Optimierung sind nicht zwangsläufig Experten für maschinelles Lernen. Dies setzt die Einstiegshürde für die Anwendung von ML-Modellen höher und erhöht das Risiko einer fehlerhaften Modellanwendung erheblich.

Um diese Problematik zu lösen, implementierten Forschende nun eine neue Erweiterung für EvoAl. Das Framework wurde so erweitert, dass das Programm Nutzer:innen aktiv bei der Konfiguration und Erstellung von Algorithmen unterstützt und in der Folge Fehlerquellen bedeutend reduziert.

Die Erweiterung umfasst dabei drei Aspekte: strukturierte Workflows, die Integrierung vorprogrammierter Modelle, sowie die Einführung von Einschränkungen in der Wahl der Hyperparameter. Mittels einer Simplifizierung der ML-Sprache werden Nutzer:innen bei der Entwicklung strukturierter Pipelines unterstützt. Zusätzlich können Nutzer:innen erstmals auf vortrainierte Modelle im Open Neural Network Exchange (ONNX) Format zugreifen, welches ein weit verbreiteter und beliebter Dateityp für ML-Modelle ist. Zuletzt werden die Modellparameter des finalen Modells validiert: verletzt eine Einstellung die aus der Literature entnommenen Best Practices, werden die Nutzer:innen darüber informiert und mit passenden Alternativen unterstützt.

Infolgedessen steigert die Erweiterung die Benutzerfreundlichkeit des Programms, reduziert gleichzeitig Barrieren für den Einsatz komplexer ML-Techniken in der Optimierung und erhöht die Effizienz Surrogat-basierter Optimierung in der praktischen Anwendung.

Das hier präsentierte Workshop Paper wurde im Rahmen des INDIFUN AI Projekts der Universität Bremen erarbeitet, welches durch das DSC mittels eines automatisierten Indikatorsystems zur Erkennung klimabedingter Veränderungen in der Biodiversität unterstützt wird – ein Beispiel für datenbasierte Innovation im Kontext globaler Herausforderungen.