Paderborn. Künstliche Intelligenz (KI) ist schon heute zentraler Bestandteil unseres Lebens. Dank ihr übernehmen schlaue Helferinnen und Helfer Arbeiten, die für Menschen mit viel Aufwand verbunden wären – zum Beispiel in der Medizin, der Wirtschaft oder der Industrie. Die Basis dafür bilden Unmengen von Daten.
Sogenannte Wissensgraphen gehören dabei zu den bevorzugten Repräsentationsmechanismen, weil sie für Menschen und Maschinen nachvollziehbar sind und dafür sorgen, dass Informationen sinnvoll aufbereitet werden. Sie gelten als Schlüssel für eine Reihe von beliebten Technologien wie die Websuche oder digitale persönliche Assistenten.
Wissenschaftler der Universität Paderborn arbeiten im Rahmen eines groß angelegten Forschungsprojekts jetzt daran, erklärbares maschinelles Lernen für großskalige Wissensgraphen möglich zu machen. An dem Vorhaben Enexa sind laut einer Mitteilung der Uni Paderborn außerdem das National Centre for Scientific Research Demokritos in Griechenland, das European Union Satellite Centre in Spanien, die Universität Amsterdam, Niederlande, sowie die Unternehmen Datev und Weblyzard Technology beteiligt. Die Forschung wird über einen Zeitraum von drei Jahren mit rund vier Millionen Euro im „Horizon Europe“-Programm der Europäischen Union gefördert.
Das Problem der gegenwärtigen Forschung sei, dass aktuelle Ansätze des maschinellen Lernens in Verbindung mit Wissensgraphen noch immer Unzulänglichkeiten aufwiesen, insbesondere mit Blick auf Skalierbarkeit, Konsistenz und Vollständigkeit. Außerdem erfüllten sie den menschlichen Bedarf nach Verständlichkeit nicht.
„Aktuelle auf maschinellem Lernen basierende Erklärungsansätze beruhen oftmals auf einem einmaligen Prozess, bei dem die KI nicht berücksichtigt, ob der Mensch, der die Erklärung erhält, das, was erklärt werden soll, wirklich verstanden hat“, sagt Axel-Cyrille Ngonga Ngomo, Leiter der Arbeitsgruppe „Data Science“ an der Uni Paderborn. Anders ausgedrückt: Es finde keine Rückversicherung zwischen Sender und Empfänger statt. „Aber es gibt einen Ausweg: Das Problem wird durch die Ko-Konstruktion von Erklärungen entschärft. Bei dem Konzept werden die Adressaten stärker in den KI-gesteuerten Prozess miteinbezogen. Die Erklärungen entstehen nicht nur für sie, sondern mit ihnen“, so Ngonga.
Das sind die Ziele
Bislang gebe es keine konkreten Umsetzungen für das Konzept. Die Wissenschaftler hätten es sich deshalb zum Ziel gesetzt, erklärbare Ansätze für maschinelles Lernen auf besonders großen Wissensgraphen zu entwickeln. Der Fokus liege auf der schnellen Berechnung von Modellen und menschenzentrierten Erklärungen.
Ngonga spricht von Pionierarbeit: „Um dieses Ziel zu erreichen, wird Enexa neuartige hybride Ansätze des maschinellen Lernens entwickeln, die mehrere Repräsentationen von Wissensgraphen gleichzeitig nutzen können. Die entwickelten Lösungen werden realen Laufzeitanforderungen gerecht und machen erklärbares maschinelles Lernen für großangelegte Anwendungen wie Websuche, Buchhaltung, Brand Marketing und die prädiktive Analyse von Satellitenbildern zugänglich.
Durch die konkrete Umsetzung von hybridem maschinellem Lernen auf großen Wissensgraphen und deren Erklärung wird Enexa Pionierarbeit bei der Implementierung von Modellen aus der Soziologie und Psychologie in das maschinelle Lernen leisten.“
