Künstliche Intelligenz, und insbesondere deren Teilbereich Machine Learning, gilt in vielen Branchen als Zukunftstechnologie – so auch in der fertigenden Industrie. Die Technologie eröffnet neue Möglichkeiten im Bereich der Automatisierung. Sie hilft etwa, wirtschaftliches Optimierungspotenzial durch die systematische Auswertung großer Datenmengen aufzudecken oder überwacht komplexe Produktionsprozesse. Jedoch sind die Algorithmen, die in den vergangenen Jahren die größten Entwicklungssprünge ermöglicht haben, etwa bei der Bild-, Sprach- und Mustererkennung, oft intransparent und es ist nicht nachvollziehbar, wie derartige KI-Systeme zu ihren Ergebnissen kommen. Sind KI-Anwendungen undurchschaubar, bleiben Fehler unentdeckt, was etwa zu Produktionsausfällen oder Fehlkonstruktionen führen kann. Auch die Akzeptanz der Technologie leidet unter der Undurchsichtigkeit dieser Systeme.
Vertrauen in KI steigern
Eine erklärbare KI, ist allerdings eine Herausforderung. Viele Anwendungen beruhen auf vielschichtigen und verflochtenen Modellen, die ihre Berechnungen auf großen Basis von Parametern vornehmen. Selbst Expertinnen und Experten können diese Black Box oft nicht vollständig durchschauen. Und je mehr Parameter bzw. Freiheitsgrade in der Generierungsphase genutzt werden, um das Modell an Trainingsdaten anzupassen, desto undurchschaubarer wird die Modellgenerierung und desto schwerer lassen sich die individuellen Ausgaben solcher KI-Systeme überprüfen.
Verfahren kombinieren
Hier setzt das Projekt Raki (Rapide Erklärbare künstliche Intelligenz für Industrieanlagen) an, das im Technologieprogramm ‚Smarte Datenwirtschaft‘ des Bundesministeriums für Wirtschaft und Klimaschutz gefördert wurde. Die Raki-Software soll aus Industriedaten Wissen erzeugen, und so einen wirtschaftlichen Betrieb von Industrieanlagen ermöglichen. Dafür kombinieren die Projektverantwortlichen verschiedene Verfahren des maschinellen Lernens. Die so erzielten Lernergebnisse senken den Aufwand, etwa bei der Überwachung und Optimierung von Produktionsprozessen. Zudem sind die Berechnungen transparenter und somit vertrauenswürdiger.
ILP und RL
Raki kombiniert induktives logisches Programmieren (ILP) und Reinforcement Learning (RL) miteinander. ILP ist ein Machine-Learning-Verfahren, bei dem nicht Zahlenwerte im Mittelpunkt stehen, sondern die KI darauf trainiert wird, logische Aussagen zu treffen sowie Zusammenhänge (auch Hintergrundwissen genannt) zu verstehen. In der Folge wird es einfacher, Menschen in das KI-Lernverfahren einzubinden, nämlich in sogenannten ‚Human-in-the-loop‘-Trainingsprozessen. Die Interaktion zwischen Mensch und Maschine kann sogar in natürlicher und leicht verständlicher Sprache erfolgen.