Eintritt ins Rentenalter

Wir alle werden älter. Ich habe nun zum Jahreswechsel tatsächlich mein Rentenalter erreicht. Nach über 30 Jahren beruflicher Tätigkeit in der IT.

Das bedeutet nicht, dass ich mich künftig überhaupt nicht mehr mit IT-Themen auseinandersetzen werde. Aber ich werde die gewonnene Freiheit zunehmend auch anderen Themen widmen, denen ich mich in meinem Leben schon lange nicht mehr zuwenden konnte – u.a. der Physik. Darin wurde ich ja schließlich mal bis zur Promotion ausgebildet. Um dann im Jahr 1990 festzustellen, dass dieses Land keinen Bedarf an theoretischen Physiker hatte. Kann man sich heute kaum mehr vorstellen, ist aber belegbar. Aber das Thema Bildungs- und Forschungspolitik in Deutschland gehört hier nicht her.

Auf diesen Blog wird die künftig häufigere Beschäftigung mit illustren Themen der theoretischen Physik jedenfalls kaum eine Auswirkung haben. Die Frequenz von Posts ist ja schon in den letzten vier Jahren drastisch zurück gegangen – und hat sich auf recht spezielle Themen begrenzt. Das wird weiterhin so bleiben.

Nach mehreren Jahren des Arbeitens in einer Windows-dominierten Desktop-Umgebung freue ich mich nun allerdings sehr auf einen Schreibtisch mit Geräten, die gänzlich unter Linux betrieben werden.

Aktuelle Themen, mit denen ich mich beschäftige

Sukzessiver Upgrade meiner in die Jahre gekommenen Laptops, Desktops, Server auf Leap 15.4 und Debian 11

Als angestellter IT-Consultant in einem SW-Unternehmen war ich in den letzten vier Jahren kaum mehr mit Linux, sondern Fragen des Managements von IT-Projekten befasst. Unter einer von Windows dominierten Arbeitsumgebung. Das hatte auch Auswirkung auf die Pflege privater Systeme, die der aktuellen Entwicklung der von mir bevorzugten Distributionen deutlich hinterherhinken. Schon aus Sicherheitsgründen muss ich die Lücken kurzfristig schließen.

Autoencoder und Datenverteilung im latenten Raum

In der letzten Zeit hatte ich in diesem Blog ja ein paar Posts zu normalen Autoencodern und Variational Autoencodern geschrieben. Dabei hatte ich auch die Verteilung untersucht, die ein Autoencoder in seinem latenten Raum erzeugt. Durch weitere, noch nicht beschriebene Experimente habe ich dann festgestellt, dass die beschriebenen Filamente nicht – wie vermutet – entscheidend sind für das typische Versagen von Autoencodern bei der Erzeugung neuer Bilder auf Basis statistischer Punkte im latenten Raum. Entscheidend ist vielmehr, das man ein vorhandenes großskaliges Fragment der Datenverteilung im latenten Raum beachtet und sich bei der Auswahl statistischer Punkte innerhalb dessen Grenzen bewegt.

Untersuchung von Logistik-Netzwerken

Die nähere Zukunft wird auch geprägt sein durch die Fortsetzung einiger Studien zu Logistik-Netzwerken und deren Simulation. Hier werde ich Experimente wieder aufnehmen, die ich mit einem französischen Berater vor einigen Jahren begonnen und dann wegen beruflicher Veränderungen unterbrochen hatte. Dabei stehen Produktionsnetzwerke im Vordergrund. Wir konnten sie damals in eine geschichtete Form bringen, die denen kaskadierter MLPs im Machine Learning sehr ähnlich ist. Das legt es nahe, die Optimierung dieser Netze bzw. sogenannter Demand-Kurven nach einer ähnlichen Methodik zu betreiben wie bei MLPs – über ein Gradient Descent Verfahren. Allerdings sind dabei besondere Randbedingungen zu beachten – wie etwa eine Kostenverteilung über spezifische Knoten verschiedener Layer hinweg sowie der Einfluss von Warehouses zur Pufferung von Ressourcen.