© iStock.com/Peshkova
Hand pointing at glowing digital brain. Artificial intelligence and future concept. 3D Rendering

KI-basierte Assistenzsysteme

Wissensbasierte und hybride KI

Wissensbasierte KI Ansätze zeichnen sich dadurch aus, dass Wissen (z. B. Expertenwissen) explizit und in nachvollziehbarer Weise hinterlegt, erzeugt, verwendet bzw. abgefragt werden kann. Maschinelle Lernverfahren dagegen bilden aus Datenbeständen »on the fly« Zusammenhänge implizit ab. Sie benötigen dazu in der Regel signifikante Rechnerkapazitäten und massive Mengen an hochwertigen und ausreichend aufgabenspezifischen Daten. Hybride KI-Ansätze, die wissensbasierte und datengetriebene KI vereinen, tragen zur verbesserten Einsetzbarkeit Maschineller Lernverfahren und nicht zuletzt zu deren Interpretierbarkeit bei.


Wir erarbeiten auf dieser Basis IT-Lösungen, die es ermöglichen, menschlichen Operateuren in vernetzen Systemen relevante Information und Wissen zeit-, ebenen- und aufgabengerecht zur Verfügung zu stellen. Wesentlich dafür sind neben geeigneten Verfahren zur Informationserfassung und -erschließung adäquat ausgestaltete Mensch-Maschine-Schnittstellen, auch zur Umsetzung interaktiver Assistenzsysteme.


In den EU-Projekten MAGNETO und PREVISION wird zur Wissensrepräsentation eine Ontologie erstellt, in der alle relevanten Elemente einer polizeilichen Untersuchung integriert und dargestellt werden. In der auf dieser Ontologie basierenden Wissensbasis werden die Ergebnisse des Text- und Data-Mining gespeichert. Mittels semantischer Informationsverarbeitung, Informationsfusion und Reasoning werden sie miteinander verknüpft, implizite Beziehungen zwischen den einzelnen Informationen aufgedeckt und dem Ermittler in einer übersichtlichen Form dargestellt.


Im Fraunhofer-Forschungszentrum Maschinelles Lernen wird intensiv an dem Thema „Informed Machine Learning“ geforscht, welches zum Ziel hat, systematisch Expertenwissen in statistische Lernverfahren zu integrieren. Genau diese Integration ermöglicht es Anwendern, Entscheidungen der ansonsten als Black-Box arbeitenden Modelle nachzuvollziehen und gegebenenfalls in die Modelle einzugreifen. Im Leitprojekt ML4P - Machine Learning for Production wird ein Vorgehensmodell zur Integration von Maschinellem Lernen in Produktionsprozesse erarbeitet. Ein Fokus in diesem Projekt ist die Integration des Domänenwissens der Anlagenbetreiber in die Lernverfahren.