Explainable Artificial Intelligence
KI-Entscheidungen verstehen
Wie KI-Systeme zu Entscheidungen kommen, bleibt oft verborgen. Um sich wirklich auf solche Systeme verlassen zu können, muss die Blackbox geöffnet werden. Dafür sorgt der Ansatz Explainable AI (XAI), bei dem z.B. interpretierbarer KPI-Labels zum Einsatz kommen.
Qualitatives Labeln ist eine KI-Methode, die Entscheidungs- und Optimierungsalgorithmen mit maschinellem Lernen verbindet und bereits industriell eingesetzt wird. Sie zielt darauf ab, Zusammenhänge aus skalierbaren Rohdaten zu erlernen, die in beliebigen Geschäftsprozessen entstehen. Das Ziel ist eine maximale Annährung an die definierten Geschäftsprozessziele. dafür legt die Lösung auf den Input- und Output-Mustern des betreffenden Prozesses KPI-basierte Bewertungen fest. Diese definieren, welche Muster für welche Werte eher positiv und für welche eher negativ zur Erreichung der Geschäftsprozessziele sind. Im nächsten Schritt lassen sich über diese Bewertungen Zeitreihen bilden und sogenannte Datencluster ermitteln. Die Datencluster sind entweder als Ergebnis einer KI-Geschäftsprozessdatenanalyse zu verstehen oder dienen als Basis für darauf aufbauende KI-Systeme. Doch wie kann dieses Vorgehen dabei helfen, KI-Systeme besser zu verstehen? Indem qualitatives Labeln einen Zusammenhang herstellt zwischen der Datenperspektive des Geschäftsprozesses und den angeschlossenen KI-Algorithmen, entsteht eine neue, KPI-bezogene Sicht auf die Ergebnisse des Geschäftsprozesses. Dadurch sind auch die Ergebnisse der mit den gelabelten Daten trainierten KI-Systeme verständlicher. Durch die KI-basierte Bearbeitung des Geschäftsprozesses öffnet sich eine zusätzliche, automatisiert erlernte und erklärbare Sicht auf die Perspektive des Zielgeschäftsprozesses. Kurzum: War ein KI-System aus der Perspektive des Geschäftsprozesses bislang eine Blackbox, kann eine geschäftsprozessbezogene Erklärungskomponente helfen, das Verhalten des KI-Systems nachzuvollziehen. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Machine Learning
Dreh- und Angelpunkt des qualitativen Labelns ist ein maschinelles Lernverfahren: Dieses erkennt anhand von Geschäftsprozessdaten selbsttätig KPI-Zielkonflikte aus Zeitreihendaten. Als Initialinput sind neben den Prozessrohdaten lediglich KPI-Bewertungsfunktionen notwendig. Pro Geschäftsprozess-KPI wird definiert, welche Datenwerte dem KPI-Ziel als eher zuträglich (positiv) und welche Datenwerte als eher abträglich (negativ) einzustufen sind. Über die Zeitreihenbezüge lassen sich die Prozessdaten schließlich derart semantisch ordnen, dass der Algorithmus selbstständig erkennt, in welchen Situationen die Rohdaten wie zu labeln sind. Das System ermittelt also, welche Datenkonstellationen und -muster sich positiv und welche sich negativ auf die Erreichung der KPI-Ziele auswirken. Im Ergebnis kann das System methodisch abgesichert Zusammenhänge erlernen. Wo manuelle Labeling-Prozesse zunehmend an ihre Grenzen stoßen und zum Flaschenhals der Datenaufbereitung werden, kann Qualitatives Labeln als umgebender, datenaufbereitender Layer jedes KI-System unterstützen, indem Zusammenhänge auf Rohdaten maschinell voranalysiert und hinsichtlich ihrer Wirkung auf die Ziel-KPIs interpretiert werden. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Einfach zu interpretieren
Abweichend von anderen Systemen stützt sich dieses Verfahren dabei zunächst nicht auf KI-Fachwissen, sondern auf Wissen über den Prozess, für den das KI-System entwickelt wurde, indem Prozessrohdaten durch Bewerten von Prozess-KPIs qualifiziert werden. Auf diese Weise entstehen qualitativ gelabelte Daten, die in Verbindung mit einer Visualisierung der gelernten Zusammenhänge auch für KI-Laien interpretierbare Ergebnisse liefern. Damit erhalten auch darauf aufbauende KI-Verfahren eine einfacher zu verstehende Lerngrundlage.
