KI Wissen - Entwicklung von Methoden für die Einbindung von Wissen in maschinelles Lernen

Abstract

Die Kombination von datengetriebenen Lernverfahren mit weiteren Wissensbestandteilen ist ein vielversprechender Ansatz, um Ziele wie Generalisierungsfähigkeit, Robustheit und Effizienz zu erreichen. In der 39-monatigen Projektlaufzeit von KI Wissen konnte die fortiss GmbH einen wichtigen Beitrag zu den Komponenten Wissensintegration, Wissensextraktion, und Wissenskonformität leisten. Die adressierten Anwendungsbereiche reichen von der Umfeldwahrnehmung bis hin zur Pfadplanung und -ausführung. Während die Objekterkennung neuartige Attention-Mechanismen zur Wissensintegration und -extraktion nutzt, konnten in der Pfadplanung explizite, logikbasierte Regeln, sowie geometrische Beziehungen aus Kartendaten in die Modellierung aufgenommen werden. Darüber hinaus wurden Heat-Map und Visual-Question- Answering Methoden zur Extraktion von neuem Wissen über Verhaltensweisen von autonomen Systemen erforscht. Unterstützt wurden die Partnerbeiträge des Konsortiums mit einer umfangreichen Sammlung und Übersicht relevanter Arbeiten in dem Bereich des wissensgestützten maschinellen Lernens.

Datei-Upload durch TIB

The combination of data-driven learning methods with external knowledge components is a promising approach for achieving goals such as generalization capability, robustness and efficiency. During the 39-month project duration of KI Wissen, fortiss GmbH was able to make an important contribution to the components of knowledge integration, knowledge extraction and knowledge conformity. The application areas addressed range from environment perception to path planning and execution. While object recognition uses novel attention mechanisms for knowledge integration and extraction, explicit, logic-based rules and geometric relationships from map data were included in the modelling and training for path planning. In addition, heat map and visual-question-answering methods for extracting new knowledge about the behavior of autonomous systems were investigated. The partner contributions were supported by an extensive collection and overview of relevant work in the field of knowledge augmented machine learning.