Motivation
Die Fähigkeiten moderner Algorithmen der Künstlichen Intelligenz (KI), Texte oder Bilder zu generieren oder Zeitreihen analysieren zu können, basieren zum größten Teil auf dem Zugang zu riesigen Datenmengen, anhand derer sie sich effektiv trainieren lassen. Für viele praktisch relevante Situationen ist die Datenlage jedoch spärlich, kann aber z.B. durch die Ergebnisse numerischer Simulationen ergänzt (augmentiert) werden. Diese hängen jedoch von der geeigneten Wahl von Anfangs- und Randbedingungen ab. Das Forschungsvorhaben Act-i-ML hat daher das Ziel, Protokolle zu etablieren, nach denen dieses Vorgehen systematisch durchgeführt werden kann. Als Anwendungsfall dient ein Beispiel aus der Infektionsbiologie.
Ziele und Vorgehen
Das Leitmotiv von Act-i-ML ist, den Ansatz des sogenannten aktiven Lernens fest in den Prozess des „augmentierten“ Maschinellen Lernens (ML) einzubinden. Aktiv bedeutet hier, dass der KI-Algorithmus selbst eine Teilkontrolle darüber bekommt, welche Beispiele zum Training und Lernen ausgewählt werden, anstatt ohne Gewichtung über alle möglichen Anfangszustände der Entwicklung einer Pandemie zu iterieren – ein möglicherweise numerisch kostspieliger und wenig aussagekräftiger Ansatz.
Innovationen und Perspektiven
Die entscheidenden Innovationen resultieren daraus, festzulegen, nach welchen Regeln das aktive Lernen organisiert werden soll. Hier spielt die Bewertung von Unsicherheiten, d.h. die Varianz der Modellvorhersagen unter Auswahl verschiedener Anfangsbedingungen, eine entscheidende Rolle. Insbesondere sollen diese nicht nur charakterisiert, sondern auch im Rahmen der verwendeten Modelle neuartig erklärbar gemacht werden. Dieser Ansatz reduziert nicht nur die Suche im Lösungsraum und erhöht die Effizienz der Verfahren, sondern steigert auch das Vertrauen in die Analyse. Dadurch würden bereits vortrainierte Modelle auf einfache Weise erweitert oder flexibel für andere Anwendungen wiederverwendet werden können.