Modulares Maschinelles Lernen

Die gemeinsame Basis für die Arbeiten am ML2R ist die Erforschung und der Aufbau von modularen Anwendungen des Maschinellen Lernens (ML). Beim modularen Maschinellen Lernen werden Systeme aus einzelnen Modulen aufgebaut und verknüpft, sodass sie intuitiv eingesetzt und flexibel wieder­verwendet werden können. Dies steigert die Flexibilität von ML-Verfahren und erhöht deren Transparenz und Nachvollziehbarkeit.
Die Grundidee des modularen ML ist es, eine komplexe Fragestellung in Einzelschritte aufzuteilen. Zur Beantwortung der Einzelfragen kommen Module zum Einsatz, die der Entwickler im besten Fall wie fertige Werkzeuge aus dem Koffer ziehen und bei der nächsten Gelegenheit für ein ähnliches Problem wiederverwerten kann. In der Praxis ist allerdings oft schon die Zerlegung in Einzelschritte eine große Herausforderung für menschliche Entwickler. Methoden des maschinellen Lernens können dabei helfen, eine ML-Architektur verlässlich aus einer Kette von Einzelmodulen aufzubauen. Beispiele für ML-Aufgaben, die aus vielen spezialisierten Teilaufgaben bestehen und sich modular aufbauen lassen, sind Systeme zur Automatisierung kognitiver Prozesse, wie etwa bei der automatischen Bearbeitung von Anfragen an eine Versicherung. Zunächst muss das System Dokumente verarbeiten und verstehen, dann die Anfragen kategorisieren, relevante Informationen extrahieren und zusammenfassen, die richtigen Folgeentscheidungen treffen und eine Antwort generieren. Modulare Architekturen sind in der Softwareentwicklung bereits etabliert. Ziel des ML2R-Teams ist es, diese Vorgehensweise für ML-Anwendungen anzupassen und auch theoretisch zu erschließen, wie sich einzelne ML-Module automatisch zu Analyseketten verknüpfen lassen. Ein solches modular aufgebautes System für Maschinelles Lernen wird für Menschen besser nachvollziehbar sein, sich leichter für verschiedene Anwendungen anpassen und wiederverwerten lassen und unterschiedliche Formen des Wissens integrieren können.

Maschinelles Lernen unter Ressourcenbeschränkung

Maschinelles Lernen unter Ressourcenbeschränkung ermöglicht es, Berechnungen mithilfe von Maschinellem Lernen auch auf kleinen Geräten, wie Smartphones oder direkt in Sensoren, zuverlässig auszuführen. Lange Zeit konnten Rechenressourcen ignoriert werden. Inzwischen werden die Modelle des Maschinellen Lernens mit unterschiedlichen Rechnerarchitekturen bis hin zum Quantencomputing zusammen gedacht.

In modernen, automatisierten Fertigungsanlagen werden neben den eigentlichen Produkten auch große Mengen an Daten erzeugt. Betriebsdaten von Maschinen und Industrierobotern oder Messergebnisse von Sensoren sind Quellen solcher Daten. Die Auswertung dieses Datenschatzes birgt ein enormes Optimierungspotenzial: Prozesse können beschleunigt, die Qualität verbessert, Maschinen vorausschauend gewartet und Roboter effizienter eingesetzt werden.

Solche Anwendungen setzen häufig auf Verfahren des Maschinellen Lernens zur Verarbeitung der großen Datenmengen. Insbesondere künstliche neuronale Netze sind in der Lage, aus sehr vielen Beispieldaten zu lernen und Modelle zu entwickeln. Diese Modelle helfen dann beispielsweise Produktionsingenieuren, die Fertigung zu optimieren. Allerdings sind für die Anwendungen sehr leistungsstarke Computer nötig.

Gerade für Anwendungen in der Industrie 4.0 und in der Logistik ist es aber – etwa wegen fehlender Bandbreite für die Datenübertragung – nicht immer möglich, alle Informationen an einen leistungsstarken Zentralrechner zu senden. Stattdessen müssen schon die Geräte, die die Daten aufnehmen, beispielsweise Sensoren, einen Teil der Verarbeitung und Analyse übernehmen.

Die Entwicklerinnen und Entwickler am Kompetenzzentrum ML2R arbeiten daran, Maschinelles Lernen auch auf Geräten mit beschränkter Rechenleistung und begrenztem Speicherplatz verfügbar zu machen. Neben Sensoren und Hardware, die im Internet der Dinge vernetzt betrieben werden können, sind solche Geräte Smartphones oder mobile Computer. Ein Forschungsansatz ist, die ML-Algorithmen so zu vereinfachen, dass diese auch mit weniger Speicherplatz und Rechenkapazität auskommen. Ein anderes Vorgehen konzentriert sich auf die Entwicklung von Hard- und Software, die für bestimmte Lernaufgaben optimiert ist.

Maschinelles Lernen mit komplexem Wissen

Maschinelles Lernen mit komplexem Wissen integriert logisches Wissen aus verschiedenen Quellen in lernende Systeme, um auch bei kleinen oder unsicheren Datenbeständen verlässliche Ergebnisse sicherzustellen.

ML-Verfahren funktionieren gut, wenn sie mit vielen Daten lernen können. Anders sieht es in Situationen aus, in denen nur wenige oder sogar gar keine Daten vorhanden sind. In der Logistik beispielsweise können Wettereinflüsse, Baumaßnahmen oder Unfälle Ausnahmesituationen bewirken, für die keine hinreichend großen Datenmengen vorliegen.

Am Beispiel von Logistikanwendungen lässt sich auch eine weitere Herausforderung des ML illustrieren: Daten und Wissen stammen aus unterschiedlichen Quellen und haben ganz verschiedene Formate. Zum Warentransport verwendete Container werden zunehmend mit Sensoren bestückt, die Informationen zur aktuellen Position sowie zu Druck und Temperatur im Inneren senden. Diese Sensordaten müssen dann mit Wissen aus anderen Informationsquellen, wie etwa Verkehrsplanungssystemen und Wetterdaten, verknüpft werden. Manchmal ist Wissen allerdings auch nur in Form von Erfahrung oder Intuition menschlicher Experten vorhanden.

Die Forscherinnen und Forscher des Kompetenzzentrums ML2R arbeiten an Verfahren, die heterogene Quellen von Daten und komplexes Wissen für das ML nutzbar machen. Dazu untersuchen sie Methoden, um Wissen in einheitlicher Form aufzubereiten und darzustellen. Außerdem sollen datenbasierte ML-Formen, wie beispielsweise das Deep Learning, mit anderen, auf explizitem und logischem Wissen basierenden Lernformen verknüpft werden. Für die Anwendung in der Logistik etwa ist das Ziel, ein System zu entwickeln, das die komplexen Zusammenhänge in der Logistikplanung für Menschen durchschaubar macht und gleichzeitig die Potenziale des ML für die Optimierung der Prozesse nutzt.

Menschenorientiertes Maschinelles Lernen

Menschenorientiertes Maschinelles Lernen stellt den Menschen in den Mittelpunkt und gestaltet maschinelle Lernverfahren so, dass die Entscheidungen, die mithilfe von Künstlicher Intelligenz getroffen werden, für den Menschen verständlich, nachvollziehbar und validierbar werden.

Systeme, die auf Künstliche Intelligenz und Maschinelles Lernen setzen, unterstützen Menschen heute schon bei wichtigen Entscheidungen, beispielsweise können sie bei der Auswahl von Personal helfen. Menschenorientiertes ML bedeutet in diesem Fall, dass die Mitarbeitenden der Personalabteilung die wesentlichen Entscheidungskriterien des Systems nachvollziehen können. Ein möglichst hohes Maß an Nachvollziehbarkeit und Transparenz der Entscheidungsfindung ist nötig, um sicherzustellen, dass die Arbeitsweise der Systeme für Maschinelles Lernen mit unseren rechtlichen und gesellschaftlichen Normen und Werten vereinbar ist und Entscheidungen frei von Diskriminierung getroffen werden.

Um komplexe Fragen zu beantworten, kommen häufig künstliche neuronale Netze zum Einsatz, die viele Ebenen der Informationsversverarbeitung aufweisen. Für menschliche Entwickler und Anwender ist es kaum möglich, diese tiefen neuronalen Netze zu durchdringen und zu verstehen, wie Ergebnisse zustande kommen. Die Forscherinnen und Forscher des Kompetenzzentrums ML2R wollen den Dschungel der tiefen neuronalen Netze durchdringen und einhegen, indem sie zusätzliches Wissen nutzen. Dieses Wissen kann beispielsweise in Form von physikalischen Gleichungen vorliegen oder als Abfolge von logischen Beziehung dargestellt werden.

Heute ist es allerdings oft noch so, dass menschliche Experten die Trainingsdaten mit Labeln versehen, also die richtigen Antworten vorgegeben werden müssen. In Zukunft soll auch die Auswahl und Aufbereitung der Lerndaten möglichst zeitsparend und weitgehend automatisiert erfolgen. Ein weiterer Ansatz besteht darin, bei Entscheidungsprozessen, wie etwa der Auswahl von Personal, repräsentative Einzelfälle zu betrachten und für diese den Entscheidungsprozess transparent zu machen. Die Wissenschaftler wollen so erreichen, dass für eine konkrete Einzelentscheidung die wichtigsten Einflussfaktoren aufgezeigt werden.

Scroll to top