Zentrum für Künstliche Intelligenz – ZfKI

Das Maschinelle Lernen gilt als eines der dynamischsten Bereiche der Künstlichen Intelligenz (KI). Es erfreut sich zunehmend einer großen Aufmerksamkeit in Wissenschaft und Wirtschaft. Basierend auf vorhandenen Datensätzen ist es das Ziel, möglichst genaue Modelle zu bauen, die den gewünschten Funktionen entsprechen.

In den vergangenen Jahrzehnten wurde dabei eine Vielzahl von Algorithmen und Verfahrensweisen entwickelt, die in der Regel in die drei großen, übergeordneten Kategorien Supervised Learning, Unsupervised Learning und Reinforcement Learning eingeteilt werden. 

Die Anwendungen maschinellen Lernens finden sich mittlerweile in einer Vielzahl von industriellen Anwendungen: vom autonomen Fahren über die Diagnose von Krankheiten, der Identifizierung von Satellitenbildern, dem Qualitätsmanagement in der Produktion bis zur Erkennung von Kreditkartenbetrug.  

Denkt man an intelligente Systeme, so vergleicht man deren Fähigkeiten schnell mit denen eines Menschen. Handlungen, wie wir sie auch beim autonomen Fahren erleben, beruhen dabei weitgehend auf der Wahrnehmungsfähigkeit der Umgebung. Eines der bekanntesten Forschungsfelder ist daher die Nachbildung des menschlichen Sehsinnes durch bildverarbeitende und bildverstehende Systeme. Ob es sich um eine Straßenverkehrssituation, Zeichenfolgen oder Gesichter handelt - es geht immer um Variationen dieser Fähigkeiten mit unterschiedlichen Anforderungen an Präzision, Geschwindigkeit und die zugrunde liegenden Modelle. Objekterkennung und -verfolgung im 2- und 3-dimensionalen Raum sind hier häufige Forschungsgegenstände. Die Künstliche Intelligenz unterscheidet hier zwischen Prozessen des Bildverstehens und verschiedenen Ebenen der Repräsentation und des Wissens.  Dies beginnt bei der Segmentierung von Bildern und der Erkennung einfacher Objekte, Kanten, Konturen, Texturen und Formen und reicht bis zur Deutung, Interpretation und Prädiktion von Objekten und ihren Bewegungsverläufen unter Nutzung von Situationsmodellen, Physik und auch Alltagswissen.

Die Anwendungsgebiete reichen von einfachen Mustererkennern zur Auslösung von Triggern und Alarmen über Qualitätskontrolle und Prozessautomatisierung in der Produktion bis hin zur Erfassung komplexer Szenarien im Kontext des autonomen Fahrens oder auch der Erkennung von Gesichtern und Emotionen.

Die Digitalisierung führt zu immer größeren Herausforderungen für die Schnittstelle zwischen Mensch und Maschine. Dies bedingt immer leistungsfähigere, allgegenwärtige Konzepte und Technologien. Bekannt sind hier zurzeit besonders natürlichsprachliche Dialoge mit Alexa und Co. oder auch die Ausstattung von Geräten mit einer betreffenden Sensorik (Fitness Tracker, Mobile Apps). Wie man diese neuen Technologien nutzt und mit ihnen umgeht, ist das Themenfeld Intelligenter Interaktiver Systeme. Dazu bedarf es neben der Informatik-Kerntechnologie des Maschinellen Lernens, auch der Themenfelder Data Science und Human-Machine Interaction. 

Beispiele für Anwendungsgebiete sind hier die Konzeption von Supportsystemen für computergestützte Ergotherapie, die Erkennung von Emotionen in Gesichtern und aus Hautleitfähigkeitssensorik, Augmented Reality zur Unterstützung von Menschen mit Autismus Spektrum Störung, Active Eye Tracking Control, die Gestensteuerung und Gebärdensprache sowie die Leistungsmessung und -steigerung im Sport.

Viele Sachverhalte der realen Welt, aber auch Computerprogramme, elektronische Schaltungen und mathematische oder physikalische Theorien, lassen sich mit den Mitteln der mathematischen Logik beschreiben. Eine solche eindeutige Beschreibung ermöglicht es uns, wichtige Eigenschaften dieser Systeme automatisch abzuleiten und zu beweisen. Ein Beispiel wäre der Beweis, dass ein Computerprogramm immer innerhalb einer bestimmten Zeit reagiert (und z.B. die Bremse eines autonomen Fahrzeuges betätigt), oder dass die Plattform eines Börsenmaklers alle Geschäfte regelkonform durchführt. Automatische Theorembeweiser sind Computerprogramme, die solche Beweise automatisch durchführen können. Sie bilden damit die menschliche Fähigkeit nach, durch logisches Denken zu gesicherten Erkenntnissen zu kommen.

Im Bereich der KI sind Theorembeweiser nicht nur ein Beispiel für intelligente Systeme, sie sind auch ein Anwendungsbereich für viele weitere KI-Techniken. Das Finden von Beweisen ist sowohl für Mensch als auch für die Maschine enorm schwierig - vor allem, weil nur wenige der unendlich vielen möglichen logischen Schlussfolgerungen zu einem bestimmten Ziel beitragen. Die Steuerung der Beweissuche kann z.B. auf vielen Ebenen durch maschinelles Lernen unterstützt werden. Die nachvollziehbare Präsentation von Beweisen und die Unterstützung bei der Formalisierung von Sachverhalten ist ein Teil der Mensch-Maschine-Kommunikation.