Anzeige
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:

Seit 2018 verantwortet Michael Ruchty für den Veranstalter Euroexpo die Logimat in Stuttgart. Im Gespräch mit der IT&Production spricht Michael Ruchty über Messen als Informationsquelle und darüber, was die Logimat in diesem Jahr zu bieten hat.‣ weiterlesen

Der Anlagen- und Maschinenbau hat das Internet of Things ins Zentrum seiner branchenweiten digitalen Transformation gerückt. Firmen auf Partnersuche sollten jedoch beachten, dass sich die Herausforderungen von KMU und großen Unternehmen deutlich unterscheiden - und dies bei der Lösungswahl berücksichtigen.‣ weiterlesen

Das Projekt ‘Pricing digitaler Produkte‘, an dem u.a. das FIR an der RWTH Aachen beietiligt ist, befasst sich mit der Preisbildung für das Digitalgeschäft der produzierenden Industrie.‣ weiterlesen

Klassische Scada- und HMI-Systeme stoßen an ihre Grenzen, wenn Maschinen und Anlagen zunehmend über Tablets, Smartphones oder direkt von einem Browser aus überwacht und gesteuert werden sollen. Hier setzen HTML-basierte Lösungen an, besonders, wenn sich die mitgelieferten Designtools ohne Spezialwissen bedienen lassen.‣ weiterlesen

Der Automatisierungstreff in Böblingen widmet sich vom 24. bis zum 26. März mit seinem Workshopangebot und dem Marktplatz Industrie 4.0 der digitalen Transformation.‣ weiterlesen

Mit einer Beteiligung in Höhe von etwa 28 Prozent steigt die Hörmann Gruppe, u.a. Spezialist für Tore und Zutrittskontrollsysteme, beim IT-Consulter Orbis ein.‣ weiterlesen

Beim neuen Automatisierungssystem ctrlX Automation will Bosch Rexroth klassische Grenzen zwischen Steuerungstopologien, Antriebstechnik und IT aufheben: Steuerungsseitig kommt ein einziges CPU-Modul zum Einsatz, das erst in den verschiedenen Komponenten seine spezifische Funktionalität erhält - über das Software-Ökosystem. Dieses ist offen ausgelegt und stellt Features als Apps bereit. Was Anwender davon haben? Steffen Winkler von Bosch Rexroth hat es unserer Schwesterzeitschrift SPS-MAGAZIN erzählt.‣ weiterlesen

Microlauncher sind eine Alternative zu herkömmlichen Trägerraketen. Die mittelgroßen Transportsysteme können Nutzlasten bis 350kg befördern und sollen künftig kleine Satelliten in den Weltraum bringen. Forscher am Dresdner Fraunhofer-Institut für Werkstoff- und Strahltechnik IWS haben gemeinsam mit Raumfahrtexperten der TU Dresden ein additiv gefertigtes Raketentriebwerk mit Aerospike-Düse für Microlauncher entwickelt. Der skalierte Prototyp aus Metall soll 30 Prozent weniger Treibstoff als konventionelle Triebwerke verbrauchen.‣ weiterlesen

Anzeige
Anzeige
Anzeige