KI-Modelle verstehen

Methoden des maschinellen Lernens haben sich für ein breites Spektrum von Anwendungsbereichen bei der Extraktion wesentlicher Informationen aus Daten als bemerkenswert erfolgreich erwiesen. Im Hinblick auf Anwendungen sind drei Aspekte eines gelernten Modells relevant: Transparenz, Interpretierbarkeit und Erklärbarkeit.

Die Transparenz eines ML-Ansatzes betrifft seine verschiedenen Bestandteile. Dazu gehören die Modellstruktur, die einzelnen Modellkomponenten, der Lernalgorithmus und die Art und Weise, wie die spezifische Lösung durch den Algorithmus erhalten wird. Ein verwendeter ML-Ansatz ist transparent, wenn der Weg, wie das Modell aus Trainingsdaten extrahiert wird und wie neue Vorhersagen generiert werden, vom Entwickler des ML-Ansatzes beschrieben und motiviert werden können.

Das Ziel der Interpretierbarkeit besteht darin, einige der Eigenschaften eines ML-Modells für einen Menschen verständlich aufzubereiten und darzustellen. Im Idealfall könnte man die Frage beantworten: "Können wir verstehen, worauf der ML-Algorithmus seine Entscheidung stützt?"

Eigenschaften und Ziele, die bei der Betrachtung der Erklärbarkeit von ML-Algorithmen relevant sind, umfassen Sicherheit/Vertrauen, Verantwortlichkeit, Reproduzierbarkeit, Übertragbarkeit, Robustheit oder nicht übereinstimmende Zielvorstellungen. Erklärungen sollen typischerweise drei Klassen von Fragen beantwortenein: (1) Was-Fragen, wie z.B. "Was ist geschehen?"; (2) Wie-Fragen, wie z.B. "Wie ist dieses Ereignis geschehen?"; und (3) Warum-Fragen, wie z.B. "Warum ist dieses Ereignis geschehen?". Methodisch gesehen kann eine Sammlung von Interpretationen eine Erklärung nur mit weiteren kontextuellen Informationen sein, die sich aus dem Domänenwissen ergeben und mit dem Analyseziel in Zusammenhang stehen.

Im Bereich der virtuellen Produktentwicklung im Automobilbereich untersuchen und entwickeln wir interpretierbare Datenrepräsentationen für komplexe Simulationsdaten. Wir haben ein Verfahren entwickelt, mit dem die Simulationsdaten aus Fahrzeugcrashs mittels Geometrie-basierten Oberflächenzerlegungen repräsentiert werden können. Die Komponenten einer solchen Zerlegung können als physikalische Freiheitsgrade wie Verschiebung, lokaler und globaler Verformung interpretiert werden. Eine bessere Untersuchung und Vergleichbarkeit von zeitabhängigen Crash-Verformungen wird damit ermöglicht.

Zum Projekt

Prädiktive Wartung ist ein zentrales Element von Industrie 4.0. Maschinelle Lernverfahren (ML) sind in der Lage, Maschinenausfälle und Materialabnutzung mit hoher Präzision vorherzusagen. Hierbei sind ML-Entscheidungen oft intransparent, da die angewandten Modelle als Black Box behandelt werden. NDV entwickelt Methoden, um solche Entscheidungen transparent und nachvollziehbar zu machen. Dies steigert das Vertrauen in ML-Verfahren gerade bei kritischen Anwendungen, die höchste Ansprüche an die Zuverlässigkeit der Vorhersage stellen. Auch kann der Entscheidungsprozess des Modells so von Domänenexperten auf Plausibilität geprüft werden.

Im Projekt HEAD wird der Abnutzungsgrad von Fräswerkzeugen mithilfe von ML-Modellen bestimmt. NDV öffnet hier die Black Box und macht ML-Entscheidungen in einem interaktiven Demonstrator nachvollziehbar. Treten Sie gegen die KI an!

Zum Projekt