Automatisch Verbesserungen vorschlagen
Simulationen liefern große Datenmengen, die zurzeit noch von Ingenieuren ausgewertet werden müssen, um Mängel und Defizite in der Konstruktion zu erkennen und diese nach und nach zu verbessern. Spezielle maschinelle Lernverfahren sollen diese Daten automatisch analysieren und auch eventuelle Verbesserungen vorschlagen.
Grundlagenforschung zu maschinellem Lernen
Die TU Berlin bringt die langjährige Erfahrung in der Grundlagenforschung zu Maschinellen Lernverfahren (ML) und künstlicher Intelligenz in das Projekt ein. Die Arbeitsgruppe um Klaus-Robert Müller hat wesentliche Beiträge zu Support-Vektor Maschinen sowie der sogenannten ‚Explainable Artificial Intelligence‘ (Erklärbare künstliche Intelligenz) geleistet und die Etablierung von ML-Verfahren in der Quantenchemie vorangetrieben. Wir werden uns in dem Projekt vor allem um Themen wie ‚effizientes Deep Learning‘ und die ‚Erklärbarkeit und Robustheit‘ der zu entwickelnden ML-Verfahren kümmern“, so Klaus-Robert Müller.
Industrielle Anwendung möglich machen
Um die Entscheidungsprozesse von ML-Verfahren transparent zu gestalten, soll deren Akzeptanz in der Praxis gesteigert und somit die industrielle Anwendung erst möglich gemacht werden. „Dabei wollen wir mit einer Probandenstudie unterschiedliche Darstellungsformen des Entscheidungsprozesses untersuchen. Wie soll die Erklärung dargestellt werden? Welche Informationen sind sinnvoll? Hinsichtlich der Akzeptanz von ML-Verfahren ist Erklärbarkeit ein wichtiger Aspekt. Denn die letztendliche Verantwortung obliegt dem Konstrukteur“, erklärt Müller.
