Motivation
Künstliche Intelligenz (KI) – für kaum eine andere Schlüsseltechnologie werden Chancen und mögliche Gefahren im gesellschaftlichen Diskurs aktuell so kontrovers diskutiert. Unbestritten ist, dass die zu erwartenden Veränderungen und Auswirkungen dieser Technologie nahezu alle Lebens- und Wirtschaftsbereiche betreffen werden. Damit einhergehend stellt sich für die Entwickler neuer KI-Algorithmen eine ganz wesentliche Herausforderung: Wie können wir Methoden und Modelle dazu bringen, eine gestellte Aufgabe nicht nur bestmöglich im Sinne des eigentlichen Optimierungsziels sondern gleichzeitig auch transparent und erkenntnisbringend für den Anwender zu lösen? Je stärker selbstlernende Algorithmen in industrielle, wissenschaftliche und die Öffentlichkeit betreffende Prozesse und Systeme integriert werden, desto zentraler ist es, die trainierten Modelle nicht als bloße „Black-Box“-Lösungen zu begreifen.
Ziele und Vorgehen
Besonders beliebt im Bereich KI sind künstliche neuronale Netze (KNNs): selbst-lernende Systeme, die an den Aufbau natürlicher Gehirne angelehnt sind. Die Komplexität dieser Netze erschwert es auch, ihre inneren Prozesse und Entscheidungen nachzuvollziehen und vor allem ihre Dynamik zu verstehen. Im Vorhaben DADLN werden etablierte Verfahren und Methoden aus der Theorie komplexer, dynamischer Systeme auf KNNs übertragen. In dynamischen Systemen sind insbesondere das Wachstum von Störungen sowie die Richtungen, entlang denen sich diese Störungen ausbreiten, oder schrumpfen interessant. Dadurch werden auch die Lernprozesse des KNNs besser nachvollziehbar. Hierbei spielt auch die Zerlegung der komplexen Aufgabenstellung in kleinere Aufgabenstellungen eine entscheidende Rolle. Im Vorhaben werden dazu verschiedene Zerlegungsstrategien durch die in einem Teilprojekt entwickelte Störungsanalyse untersucht.
Innovationen und Perspektiven
Insgesamt soll dieses Vorhaben durch den Einsatz moderner Analyse- und Optimierungsverfahren einen grundlegenden Beitrag zum Verständnis und zur Nachvollziehbarkeit von lernenden Netzwerken leisten. Mit der in DADLN entwickelten Software entsteht ein leistungsfähiges Werkzeug, um datenbasierte Entscheidungen zu treffen und nachzuvollziehen. Die neuen Verfahren können z.B. in der Energie- und Verfahrenstechnik, Robotik, im Kontext von erneuerbaren Energien und im Maschinenbau eingesetzt werden.