Maschinelles Lernen

Mit Informed Machine Learning in eine neue Dimension

3 Fragen an Prof. Dr. Stefan Wrobel, Leiter Forschungszentrum Maschinelles Lernen

Prof. Dr. Stefan Wrobel, Leiter Forschungszentrum Maschinelles Lernen
© Fraunhofer IAIS

Prof. Dr. Stefan Wrobel, Leiter Forschungszentrum Maschinelles Lernen

Welche besondere Rolle für das kognitive Internet spielt das Thema machine learning und künstliche Intelligenz?

Künstliche Intelligenz und kognitive Systeme müssen heute so leistungsfähig sein, dass sie nicht mehr programmiert werden können, sondern aus Daten lernen müssen. Mit maschinellem Lernen nutzen wir vorhandene Daten sowie vorhandenes Wissen für flexible und sich selbst verbessernde intelligente Systeme.

Wo steht die Industrie in diesem Bereich und wie kann Fraunhofer Unternehmen unterstützen?

Die Bedeutung des maschinellen Lernens wird in der Wirtschaft klar erkannt, doch in vielen Bereichen fehlen zum einen die passenden Daten, zum anderen die notwendigen Spezialisten. Wir helfen Unternehmen, die richtigen Kombinationen aus Daten, Verfahren und Geschäftsmodellen zusammenzustellen und zu realisieren, und bilden in unseren Data-Science-Schulungen bei Fraunhofer oder vor Ort im Unternehmen die nächste Generation von Data Scientists aus.

Was sind Ihre langfristigen Ziele mit dem Zentrum ML und dessen Implikationen auf das Thema „Cognitive Internet Technologies“?  

Wir wollen mit dem Zentrum Maschinelles Lernen das so genannte »Informed Machine Learning« auf breiter Fläche etablieren – damit meinen wir Ansätze, die nicht nur aus Daten lernen, sondern auch vorhandenes Expertenwissen und Modelle, wie sie in der Wirtschaft oft vorhanden sind, zur Leistungsverbesserung nutzen können. Gleichzeitig sichern wir so die Nachvollziehbarkeit und Verlässlichkeit der Ergebnisse und schaffen die Voraussetzung für vertrauenswürdige Cognitive Internet Technologies.

Forschungszentrum Maschinelles Lernen

Das Forschungszentrum Maschinelles Lernen der Fraunhofer-Gesellschaft erforscht und entwickelt neue verlässliche Verfahren des maschinellen Lernens, die aktuelle Herausforderungen der Industrie adressieren und es ermöglichen, transparente und nachvollziehbare Lösungen der künstlichen Intelligenz strategisch in Produktions-, Geschäfts- und Vertriebsprozesse zu integrieren. Maschinelles Lernen (ML) ist eine Schlüsseltechnologie für kognitive Systeme, intelligente Produkte und digitale Assistenten und spielt eine entscheidende Rolle für die digitale Transformation unserer Wirtschaft und Gesellschaft. Nicht zuletzt durch die massenhafte Verfügbarkeit annotierter Daten im Internet hat es in den letzten Jahren deutliche Fortschritte gegeben. In der industriellen Praxis stoßen bisherige ML Verfahren jedoch häufig an ihre Grenzen. Denn industrierelevante Daten sind meist weder frei verfügbar noch massenhaft annotiert, so dass Unternehmen bisher nur eingeschränkt in der Lage sind, kognitive Systeme zum Einsatz zu bringen. Was es braucht sind Verfahren, die das Wissen von Experten dort integrieren, wo Daten und künstliche Intelligenz alleine nicht ausreichen.

Vorsprung mit »Informed Machine Learning«

Hier setzt das Fraunhofer-Zentrum Maschinelles Lernen an: Forschungsziel ist es, eine neue Generation verlässlicher ML Verfahren zu entwickeln, die mittels kompositionaler Ansätze strukturelles und prozedurales Expertenwissen systematisch in statistische Trainingsprozesse einbringen, so dass diese auch mit wenig Trainingsdaten robust und verständlich arbeiten. Das von Fraunhofer geprägte »Informed Machine Learning« erweitert das Anwendungs- und Einsatzspektrum von maschinellem Lernen enorm. Wo Unternehmen bislang keinen Einblick in die »Black Box« erhielten, ermöglicht es Informed Machine Learning, die Entscheidungsfindungen lernender Systeme transparent nachzuvollziehen und an den richtigen Stellen einzugreifen – eine wichtige Voraussetzung, um Qualität, Verlässlichkeit und Risiken abzuschätzen sowie um Lernergebnisse mit bestehendem Know-how und Modellen zu koppeln. So entstehen neue Möglichkeiten für Qualitäts- und Effizienzsteigerungen, aber auch für die Entwicklung neuer Produkte, Services und zukunftsweisender Geschäftsmodelle.

Im Fraunhofer-Zentrum Maschinelles Lernen bündeln die Fraunhofer-Institute IAIS (Leitung), IOSB, ITWM und SCAI  ihre langjährige wissenschaftliche Expertise und ihr Know-how aus dem direkten Transfer wegweisender ML-Forschung in die Industrie. Durch die enge Zusammenarbeit mit den Fraunhofer-Zentren IoT-COMMS und Data Spaces entsteht eine nahtlose Kette von der Erfassung von Daten, über ihre sichere Vorhaltung und Aufbereitung bis hin zu ihrer intelligenten Verwertung.

Forschungsschwerpunkte

Das Fraunhofer-Zentrum Maschinelles Lernen adressiert aktuell folgende Forschungsschwerpunkte:

»Informed Learning – Hybrid Learning« zur Integration von daten- und wissensgetriebenen Methoden und zur Nutzung von »a-priori« Wissen

»Informed Learning – Simulation-based Learning« zur automatischen Generierung plausibler Trainingsdaten für »thin data«-Szenarien

»Resource-aware Learning« für Ansätze zur optimalen Nutzung vorhandener Infrastrukturen, beispielsweise High Performance Computing (HPC) und »IoT Edge«-Lösungen

Publikationen (Auswahl)

C. Bauckhage, "A Neural Network Implementation of Frank-Wolfe Optimization", Proc. Int. Conf. on Artificial Neural Networks, 2017

M. Griebel, C. Rieger, "Reproducing Kernel Hilbert Spaces for Parametric Partial Differential Equations" SIAM/ASA Journal on Uncertainty Quantification, vol. 5, 2017

B. Bohn, J. Garcke, M. Griebel, "A Sparse Grid Based Method for Generative Dimensionality Reduction of High-dimensional Data" Journal of Computational Physics, vol. 309, 2016

A. Kuwertz, J. Beyerer, "Extending Adaptive World Modeling by Identifying and Handling Insufficient Knowledge Models" Journal of Applied Logic, vol. 19, no. 2, 2016

P. Li, O. Niggemann, "Improving Clustering Based Anomaly Detection with Concave Hull: An Application in Condition Monitoring of Wind Turbines" in Proc. IEEE Conf. on Industrial Informatics, 2016.

M. Neumann, R. Garnett, C. Bauckhage, K. Kersting, "Propagation Kernels: Efficient Graph Kernels from Propagated Information" Machine Learning, vol. 10, no. 2, 2016

M. Bortz, V. Maag, J. Schwientk, R. Benfer, R. Böttcher, J. Burger, E. von Harbou, N. Asprion, K.-H. Küfer, H. Hasse, "Decision Support by Multicriteria Optimization in Process Development: An Integrated Approach for Robust Planning and Design of Plant Experiments" Computer Aided Chemical Engineering, vol. 37, 2015

S. Zhang, C. Bauckhage, A. Cremers, "Informed Haar-like Features Improve Pedestrian Detection" in Proc. IEEE CVPR, 2014