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

Abstract

Nach derzeitigem Stand der Technik erscheint der Einsatz von datengetriebenen Methoden der künstlichen Intelligenz (KI) zur Entwicklung automatisierter Fahrfunktionen unverzichtbar. Jedoch entstehen durch moderner KI-Verfahren neue Herausforderungen, etwa ein enormen Datenbedarf sowie Schwierigkeiten in der Nachvollziehbarkeit der Entscheidungsfindung. Um diesen Herausforderungen zu begegnen, war das Hauptziel des konsortialen Forschungsprojekts KI Wissen die Erforschung von Methoden zur Einbindung verschiedener Arten von Wissen in das maschinelle Lernen (ML). Im Rahmen von KI Wissen war e:fs TechHub GmbH an den Teilprojekten TP1: Wissensintegration, TP3: Wissenskonformität, TP4: Enabler, Integration und Demonstration und TP5: Projektmanagement und Ergebnisverbreitung beteiligt. Inhaltlich fokussierten sich die Arbeiten von e:fs auf die Identifikation und Formalisierung physikalisch-mathematischen Domänenwissens in Form eines strukturellen Kausalmodells. Im Arbeitspaket AP1.1 (Wissensintegration) wurden Methoden zur Integration des Kausalmodells in den Trainingsprozess von ML-basierten Funktionen entwickelt und getestet. In AP3.1 (Physikalische Zusammenhänge) wurden Methoden für die Nutzung des Kausalmodells zur Aufdeckung von Ursache-Wirk-Beziehungen bei Fehlentscheidungen von ML-basierten Funktionen entwickelt und getestet. In AP4.5 (Evaluation und Demonstration) wurden die in AP3.1 entwickelten Methoden anhand eines Use-Cases zum Spurwechsel auf mehrspurigen Straßen evaluiert. In AP1.5 (Vernetzung von Wissensrepräsentationen) trug e:fs zur Weiterentwicklung von Wissensrepräsentationen bei und in AP5.1 (State-of-the-Art Research) lieferte e:fs Beiträge zu einem Überblick des Stands der Technik zu wissens-augmentierter KI. Die entwickelten und getesteten Methoden erlauben e:fs das angebotene Produktportfolio in den Bereichen kausale Modellierung und Absicherung von KI gezielt zu erweitern. Durch die Veröffentlichung des entwickelten strukturellen Kausalmodells in Form einer wissenschaftlichen Publikation trug e:fs zur Weiterentwicklung des Stands der Technik bei. Datei-Upload durch TIB Based on the current state of the art, the use of data-driven methods of artificial intelligence (AI) appears indispensable for the development of automated driving functions. However, modern AI methods create new challenges, such as an enormous need for data and difficulties in the traceability of decision-making. To address these challenges, the main goal of the consortial research project KI Wissen was to explore methods for incorporating different types of knowledge into machine learning (ML). As part of KI Wissen, e:fs TechHub GmbH was involved in the sub-projects TP1: Knowledge Integration, TP3: Knowledge Conformance, TP4: Enabler, Integration, and Demonstration, and TP5: Project Management and Results Dissemination. The work of e:fs primarily focused on the identification and formalization of physical-mathematical domain knowledge in the form of a structural causal model. In work package AP1.1 (Knowledge Integration), methods for integrating the causal model into the training process of ML-based functions were developed and tested. In AP3.1 (Physical Relationships), methods for using the causal model to uncover cause-effect relationships in erroneous decisions of ML-based functions were developed and tested. In AP4.5 (Evaluation and Demonstration), the methods developed in AP3.1 were evaluated based on a use case for lane changing on multi-lane roads. In AP1.5 (Connection of Knowledge Representations), e:fs contributed to the further development of knowledge representations, and in AP5.1 (State-of-the-Art Research), e:fs contributed to a survey of the state of the art in knowledge-augmented AI. The developed and tested methods allow e:fs to expand its provided product portfolio in the areas of causal modeling and safe AI. By releasing the developed structural causal model in the form of a scientific publication, e:fs contributed to the advancement of the state of the art.