Campus | 30. März 2021

MAS Business Intelligence: Die Thesis von Diego Varini

Im Februar haben fünf Studierende den MAS Business Intelligence erfolgreich abgeschlossen. Doch womit haben sich die Absolvierenden während ihrer Weiterbildung auseinandergesetzt? Einen guten Überblick verschafft meist die Master Thesis, in welcher die Studierenden das Gelernte konkret anwenden. Deshalb haben wir bei den Absolvierenden nachgefragt. Im dritten Interview gibt Diego Varini, IT Systems Engineer, mit seiner Thesis Einblick in die Audio-Emotionserkennung.

Hwz Visual Absolventen Mas Bui 3 2021 03 01 1536x654

Du hast erst kürzlich den MAS Business Intelligence abgeschlossen. Weshalb hast du dich damals für diesen Lehrgang und die HWZ entschieden?

Im Alltag werden immer mehr Daten angehäuft, die oft wichtige Informationen enthalten und ausgewertet werden können, um einen Mehrwert zu generieren. Der Studiengang MAS Business Intelligence der HWZ widmete sich genau diesem Thema. Er bot eine gute Mischung zwischen Theorie und Praxis und erlaubte es mir, das Studium nebenberuflich durchzuführen.

Dieser MAS beinhaltet drei CAS. Von welchem CAS hat du am meisten profitiert? 

Mit dem CAS Machine Learning wurde das interessante Thema des maschinellen Lernens behandelt, worauf auch meine Arbeit basiert. Dieser CAS deckt eine grosse Bandbreite an Themen ab, was ihn meines Erachtens sehr wertvoll macht. Auch der CAS Applied Data Analytics war gut gestaltet und vermittelte eine solide Basis in Statistik, welche beim Auswerten von Daten essentiell ist.

Zum krönenden Abschluss des Studiengangs gehört die Masterarbeit. Mit welchem Thema hast du dich in deiner Masterarbeit auseinandergesetzt?

Für meine Masterthesis «Audio-Emotionserkennung und Sentiment-Analyse der Spracherkennung mittels Neuronaler Netzwerke» habe ich eine Audioemotionsanalyse gemacht. Die Erkennung von Sprache und deren Emotionen ist in drei wesentliche Teilgebiete gegliedert: Die Spracherkennung, die Sentiment-Analyse des transkribierten Textes und der Emotionsanalyse auf Audiobasis. Zum Schluss werden die Ergebnisse gegenübergestellt, um die erkannten Emotionen der einzelnen Analysen zu vergleichen.

Welche Technologien hast du in deiner Arbeit verwendet?

Für die Codierung habe ich Python verwendet, insbesondere die Module Tensorflow und Keras. In der Programmierumgebung Jupyter Notebook lässt sich das Ganze zudem übersichtlich darstellen.

Welcher Nutzen hat deine Arbeit?

Meine Thesis geht einem theoretischen Thema nach und hat nichts mit meiner alltäglichen Arbeit zu tun. Aktuelle Spracherkennungssysteme sind limitiert auf das Konvertieren von Sprache zu Text. Könnte Siri oder Alexa auch die Emotionen der sprechenden Person interpretieren, so würden sich ganz neue Möglichkeiten eröffnen.

Was sind deine wichtigsten Learnings aus der Arbeit?

Das Arbeiten mit Audiodaten, primär die Spracherkennung, ist ein aufwendiges Thema und braucht viel Zeit. Emotionen im Alltag richtig zu deuten ist komplex, insbesondere aber im Bereich von Machine Learning. Der sorgfältige Umgang mit Daten und deren Aufbereitung ist ausschlaggebend für gute Ergebnisse.

Bei der Sentimentanalyse sind die ausgesuchten Wörter der sichtbare Bestandteil des Eisbergs: Der Ton hingegen bleibt unsichtbar unter Wasser. Herr Varini zeigt mit Hilfe der Technologien Natural Language Processing (NLP) und Deep Learning in vielen Experimenten die Bedeutung der Tonalität bei der verbalen Kommunikation. Für eine präzise Ermittlung der Emotionen einer sprechenden Person kann eine Audioemotionsanalyse einen wesentlichen Beitrag liefern.
Prof. Dr. Evangelos Xevelonakis, Studiengangsleiter MAS Business Intelligence, über die Thesis von Diego Varini