Entwicklung von Methoden für die Einbindung von Wissen in maschinelles Lernen
KI Wissen ist eines von insgesamt vier Projekten aus der KI Familie der „VDA Leitinitiative autonomes und vernetztes Fahren (VDA-LI)“. Die Projekte der KI Familie adressieren unterschiedliche Herausforderungen für die Entwicklung von Methoden, Lösungen und Werkzeugen der künstlichen Intelligenz und des Maschinellen Lernens im Automobilbereich.
Konventionelle Ansätze des Maschinellen Lernens, insbesondere Deep-Learning-basierte Modelle, erzielen oft hervorragende Leistungen bei verschiedenen Aufgaben wie z. B. der Objekterkennung oder Prädiktion. Allerdings benötigen sie in der Regel eine große Menge an Trainingsbeispielen, um die gewünschte Funktionalität zu lernen. In vielen Szenarien der realen Welt ist das Vorhandensein repräsentativer Stichproben sehr begrenzt - nicht zuletzt aus ethischen Gründen, wie in verschiedenen kritischen Verkehrssituationen. Kontrolliertes Verhalten in diesen Situationen ist jedoch eine wesentliche Voraussetzung für vertrauenswürdige und zuverlässige autonome Systeme. Das Projekt verfolgt daher den Ansatz, verschiedene Wissensquellen und -repräsentationen zu nutzen, um datengetriebene KI-Modelle zuverlässiger zu machen. Neben der Integration von zusätzlichem Wissen ist auch die Extraktion von Verhaltensmustern ein wesentlicher Bestandteil, um die eingesetzten Systeme transparenter zu machen.
Das Projekt gliedert sich in die Teilbereiche Wissensintegration, Wissensextraktion und Wissenskonformität. Während im ersten Bereich Methoden entwickelt und erforscht werden, die relevantes Wissen aus dem Verkehrskontext berücksichtigen, liegt der Fokus im zweiten Bereich auf Verfahren, die Verhaltensmuster in den Modellen erkennen können und diese somit interpretierbar und nachvollziehbarer machen. Im anschließenden dritten Teilbereich werden die zuvor extrahierten Konzepte gegenüber bestehendem Wissen plausibilisiert.
Als einer von insgesamt sechs Forschungspartnern fokussiert sich fortiss zum einen auf die Erweiterung von Trainingsverfahren. Ziel ist es, Wissen direkt im Lernprozess zu integrieren, sodass die gelernten Modelle auf unterschiedliche Szenarien generalisieren und somit eine höhere Invarianz gegenüber Veränderungen aufweisen. Darüber hinaus erforscht fortiss Methoden, die die in den Eingangsdaten enthaltenen Informationen wie z.B. Form, Farbe und Orientierung von Objekten zum Zweck einer besseren Interpretierbarkeit voneinander getrennt darstellen. Im Rahmen der Plausibilisierung untersucht fortiss die Abschätzung von Unsicherheiten in der Ausgabe von Modellen.
Die geplanten Forschungsaktivitäten zum wissenserweiterten Maschinellen Lernen stellen damit einen signifikanten Beitrag hin zu robusteren und zuverlässigeren KI-Systemen dar.
KI Wissen wird gefördert durch das Bundesministerium für Wirtschaft und Klimaschutz im Rahmen des Programms "Neue Fahrzeug- und Systemtechnologien".
Fördermittelmanagement (Projektträger): TÜV Rheinland Consulting GmbH
01.01.2021 - 31.03.2024
