Anzeige
Anzeige
Anzeige
Beitrag drucken

Forschungsprojekt ‘Fast&Slow‘

Mehr Verlass auf Deep-Learning-Entscheidungen

Menschen können Probleme entweder logisch und mit Ruhe betrachten, oder spontan und emotional entscheiden. Ähnlich geht es dem Computer: Moderne Deep-Learning-Verfahren liefern schnelle Ergebnisse, die jedoch nicht nachvollziehbar sind. Wissenschaftler des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) untersuchen nun, wie sich diese Ergebnisse durch formale Verfahren überprüfen lassen und so verlässlicher werden – ohne an Schnelligkeit einzubüßen.

(Bild: DFKI GmbH, Foto: Lisa Jungmann)

Wie lässt sich das Jonglieren besser erlernen: Durch Beobachten und Ausprobieren, oder durch das langwierige Planen der einzelnen Handbewegungen und Würfe? Dem Psychologen Daniel Kahneman zufolge verstecken sich darin die zwei Systeme, die das menschliche Denken bestimmen – das schnelle, emotionale und unbewusste Entscheiden, oder das langsame, logische und berechnende. Obwohl Computer weit davon entfernt sind, das menschliche Denkvermögen in seiner Komplexität nachzuahmen, gibt es zwei vergleichbare Herangehensweisen, mithilfe derer eine künstliche Intelligenz Entscheidungen treffen kann. Während Deep-Learning-Verfahren zu schnellen, jedoch rational nicht begründbaren Ergebnissen führen, können durch formale Berechnungen nachvollziehbare und mathematisch korrekte Antworten erhalten werden – die allerdings mehr Zeit beanspruchen.

Beide Verfahren kombinieren

Im Projekt ‘Fast&Slow‘ untersuchen Wissenschaftler des DFKI, wie sich die beiden Methoden kombinieren lassen. Am Forschungsbereich Cyber-Physical Systems, geleitet von Prof. Dr. Rolf Drechsler, soll es einer künstlichen Intelligenz ermöglicht werden, gleichzeitig schnelle wie auch verlässliche Entscheidungen zu treffen. Denn Deep-Learning-Verfahren alleine liefern lediglich subsymbolisch errechnete Lösungen, die auf Millionen von Parametern und Unmengen von Testbeispielen basieren. In vielen Anwendungsgebieten erfüllt dieses Vorgehen jedoch nicht die Ansprüche an Verlässlichkeit und Vertrauenswürdigkeit – beispielsweise im Bereich des autonomen Fahrens. Aus diesem Grund ist es notwendig, die Ergebnisse überprüfen und der KI die korrekten Ergebnisse antrainieren zu können. Dazu sollen diese subsymbolischen Verfahren mit symbolischen kombiniert werden, um so die Vorteile beider nutzen zu können. Dafür ist es zunächst nötig, Problemstellungen zu definieren, die sowohl formal als auch durch Deep-Learning-Algorithmen lösbar sind – wie beispielsweise das Planen von Handlungsabläufen. Zunächst soll das formal korrekte Ergebnis trainiert werden, bevor das Problem durch das schnellere, subsymbolische Verfahren zu lösen versucht wird. Das Resultat kann im Nachhinein mit der symbolischen Methode überprüft und gegebenenfalls korrigiert werden.

Zwei Versuchsabläufe

In zwei Versuchsabläufen soll die Kombination der Verfahren getestet werden: Im ersten Versuch sollen sogenannte TurtleBots (kleine autonome Transportroboter, die unter anderem als Transporthilfen genutzt werden können) ihren sicheren Weg durch ein Smart Home finden. Im zweiten Versuch soll wiederum einem Pi4-Workerbot – ein Industrieroboter mit zwei Armen – das Jonglieren beigebracht werden. Ziel ist es, den Roboter sowohl alleine als auch zusammen mit einem Menschen jonglieren zu lassen, indem er die berechneten Bewegungsabläufe kennt und gleichzeitig durch Deep-Learning-Verfahren schnell über die nächste Armbewegung entscheiden kann.

Zunächst Probleme betrachten

Zunächst geht es im Projekt jedoch darum, grundlegende Probleme der zwei Verfahren zu betrachten: Wie lassen sich die Informationen der verschiedenen KI-Methoden zusammenführen, welche Probleme lassen sich formell überprüfen und in welchen Fällen ist diese Überprüfung besonders wichtig? Ein bekanntes Beispiel für die Schwächen des Deep Learning sind Verfahren, die aufgrund der Daten, mit denen sie trainiert wurden, Vorurteile ausbilden. Gerade in solchen Situationen ist es von Bedeutung, auch formale Ergebnisse zu erhalten.


Das könnte Sie auch interessieren:

Im Normalfall füllt Adelholzener jährlich rund 600 Millionen Flaschen ab, in Krisenzeiten sollen die dafür angezapften Quellen jedoch der Trinkwasserversorgung dienen. Somit sind die Anlagen des Getränkeherstellers kritische Infrastruktur, die etwa in puncto Gebäudesicherheit besonderen Auflagen unterliegt: Bucht sich ein Besucher am Empfang nicht ein, kommt er nicht weit.‣ weiterlesen

Mit Campusnetzen können Industrieunternehmen ihr eigenes 5G-Netzwerk betreiben. Ein Jahr nach Inkrafttreten der entsprechenden Vergabebedingungen sind bei der Bundesnetzagentur rund 90 Anträge eingegangen.‣ weiterlesen

Mit dem SR-12iA hat Fanuc nun den dritten und größten Scara-Roboter vorgestellt. Die Traglast beträgt bis zu zwölf Kilogramm und das mögliche Trägheitsmoment am Handgelenk 0.30kgm2. ‣ weiterlesen

Advanced Process Control (APC) wird in der Prozessindustrie bereits vereinzelt genutzt. Die unter dem Konzept erfassten regelungstechnischen Methoden reichen von erweiterten klassischen Regelungsansätzen über modellprädiktive Regelung (MPC) bis hin zum Einsatz von Fuzzy-Reglern und künstlichen neuronalen Netzen zur Prozessführung.‣ weiterlesen

Um das wirtschaftliche und gesellschaftliche Potential von künstlicher Intelligenz auszuschöpfen, müssen Menschen den Entscheidungen von KI-Systemen und den mit ihnen verbundenen Prozessen vertrauen. Dazu kann eine entsprechende Zertifizierung beitragen. Nach welchen Kriterien dies geschehen könnte, zeigt die Plattform Lernende Systeme in einem aktuellen Whitepaper.‣ weiterlesen

Manuelle Dokumentenpflege verursacht Fehler, kostet Zeit und widerspricht dem Gedanken eines unternehmensweiten Wissensmanagements. Der Maschinenhersteller Seidenader hat daher seine SAP-Software um ein individuell angepasstes Dokumentenmanagementsystem erweitert.‣ weiterlesen

ABB hat das Roboterangebot für Reinraum-Fertigungsumgebungen erweitert. Die nach ISO14644-1 zertifizierte neue Reinraumversion des IRB 1100 ist auf den Einsatz etwa in Gesundheitswesen, Pharmazie, Elektronik-, Halbleiter- und Solarpanelfertigung zugeschnitten. Die Roboter kommen mit hygienischer Farbe und einem Gehäuse, das ein Austreten von Verunreinigungen wie Fett, Öl und Partikeln verhindern soll.‣ weiterlesen

Aagiler Produktentwicklung wird erhebliches Potenzial zur Steigerung der Wettbewerbsfähigkeit zugeschrieben. Innerhalb der VDI-Gesellschaft Produkt- und Prozessgestaltung beschäftigt sich nun ein neuer Fachausschuss mit diesen Ansätzen.‣ weiterlesen

Eaton Industries setzt in den Werken Holzhausen und Dausenau die Software Tetys zur Optimierung des Waren- und Informationsflusses ein. Das digitale Shopfloor-Management integriert sich nahtlos in das ERP-System. In beiden Werken besteht jetzt Durchgängigkeit der Auftrags- und Produktionsdaten nicht nur zwischen Feinplanung, MES und BDE, sondern auch zwischen Shopfloor und kaufmännischen Prozessen.‣ weiterlesen

Die Innovationen der Automatisierung im Rampenlicht: Im Sonderteil GROSSER HERBST DER INNOVATIONEN des aktuellen SPS-MAGAZINs präsentieren die führenden Anbieter der Automatisierungstechnik die neuen Produkte und Lösungen, die sie eigentlich auf den Herbstmessen der Branche ausgestellt hätten. Damit können sich Interessierte auf einen Blick informieren und ausgezeichnet auf die Vielzahl an virtuellen Events vorbereiten. Hier geht es direkt zum PDF des Sonderteils.‣ weiterlesen

Bild: ©eyetronic/Fotolia.com

Das IT-Unternehmen Softeq, mit Hauptsitz in Houston und Dependance unter anderem in München, will mithilfe des Integrated Design and Management Program vom Massachusetts Institute of Technology (MIT) sowie Boundless Technology ein Innovation Lab in Houston eröffnen. ‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige