Forschungszentrum Maschinelles Lernen

Der direkte Transfer von ML-Forschung in die Industrie ist Ziel des Fraunhofer-Forschungszentrums Maschinelles Lernen innerhalb des Forschungsclusters »Cognitive Internet Technologies«.

Forschungszentrum Maschinelles Lernen

Im Fraunhofer-Forschungszentrum Maschinelles Lernen bündeln die Fraunhofer-Institute IAIS, IOSB, ITWM und SCAI  ihre langjährige wissenschaftliche Expertise und ihr Know-how aus dem direkten Transfer wegweisender ML-Forschung in die Industrie. Es ist eines von drei Zentren im Cluster Cognitive Internet Technologies (CCIT). Im Forschungszentrum für Maschinelles Lernen arbeitet SCAI mit den anderen Instituten daran, innovative Algorithmen und Methoden zu erforschen, die das bisherige datengetriebene Lernen mit automatisierter Modellbildung und domänen- und anwendungsspezifischem Expertenwissen (Informed Machine Learning) kombinieren.

Dabei stellt sich das Forschungszentrum Maschinelles Lernen der Herausforderung, komplexe Zusammenhänge und Muster in Datenbeständen zu identifizieren und zu analysieren. Nicht zuletzt durch die massenhafte Verfügbarkeit annotierter Daten im Internet hat es in den letzten Jahren deutliche Fortschritte im Maschinellen Lernen (ML) und in der künstlichen Intelligenz gegeben. Industrierelevante Daten sind jedoch oft weder frei verfügbar noch massenhaft annotiert, so dass Unternehmen bisher nur eingeschränkt in der Lage sind, kognitive Systeme zum Einsatz zu bringen.

Forschungsziel des Zentrums Maschinellen Lernens ist eine neue Generation verlässlicher ML-Verfahren, die durch Nutzung kompositionaler Ansätze strukturelles und prozedurales Expertenwissen systematisch in statistische Trainingsprozesse so einbringen, dass sie robust und verständlich auch mit wenig Trainingsdaten arbeiten. Solche Verfahren des Informed Machine Learning besitzen disruptives Potential, indem sie das Anwendungs- und Einsatzspektrum von maschinellem Lernen auf neue Probleme erweitern.

Gleichzeitig steht die Industrie vor der Herausforderung, dass die Lernergebnisse, etwa von modernen Deep Networks, oft Black-Box-Systeme darstellen, deren Entscheidungsfindungen auch für Experten intransparent und nicht nachvollziehbar sind. Transparenz und Nachvollziehbarkeit sind in vielen wirtschaftlichen Anwendungen jedoch unabdingbar, nicht nur um Qualität, Verlässlichkeit und Risiken abzuschätzen, sondern auch um Lernergebnisse mit bestehendem Know-how und Modellen anschlussfähig zu machen.

Hierzu wird das Prinzip der erlernten Kombination modularer Baublöcke genutzt, die beim Informed Machine Learning auch aus umfangreichem Experten-Vorwissen, Modellen und Simulationen bestehen können.

Anwendungen des Maschinellen Lernens bei Fraunhofer SCAI

Fraunhofer-Forschungszentrum Maschinelles Lernen