Lernen auf Datenströmen
Sowohl die IntelligenteZustandsüberwachung als auch LernendeAssistenzsysteme sind mit fortlaufenden, sich dynamisch entwickelnden Datenströmen konfrontiert. Dies geht mit besonderen Anforderungen an maschinelle Lernverfahren einher: sie müssen inkrementell arbeiten und Daten „on the fly“ analysieren. So können sie auf Zustandsänderungen reagieren und dabei gleichzeitig Ressourcenbeschränkungen berücksichtigen. Wir stellen neueste Forschungsergebnisse bereit, die automatisierte Konfiguration von ML-Verfahren und eine kontinuierliche Anpassung von Modellen auf Grundlage von Datenströmen unterstützen.
Interpretierbarkeit von Modellen
Wichtige Anforderungen und Prozesse – etwa Nutzerinteraktionen bei lernenden Assistenzsystemen, die intuitive Wartbarkeit intelligenter Komponenten oder zuverlässiges datengetriebenes Qualitätsmanagement – basieren zentral auf einer Interpretierbarkeit der betrachteten Modelle des ML. Wir stellen Forschungsexpertise für moderne Visualisierungsverfahren, Relevanzlernen, Regelextraktion und Lernen interpretierbarer Modelle bereit.
Mithilfe von Entscheidungsbäumen lässt sich der Entscheidungsweg bei Klassifikationsproblemen veranschaulichen.
Die Generierung sogenannter "counterfactual explanations" ermöglicht Einsichten in ML-Systeme, wie der Input gezielt geändert werden kann, um einen gewünschten Zustand zu erhalten.
Hier finden Sie Beispielcode zur Implementierung von counteractual explanations!
Einen neuen Ansatz zur Visualisierung von Klassifikationsmodellen bietet die Toolbox DeepView, und schafft so einen Einblick in die das Gelernte. Hier finden Sie Beispielcode zur Implementierung von DeepView!
Benchmarking
Methoden des ML, die adaptiv im Kontext bestehender Anlagen und sich ändernder Anforderungen eingebunden sind, benötigen jedoch intelligente Validitätsprüfungen, die den realen Anforderungen gerecht werden. Wir stellen Technologien bereit, die eine skalierbare Validitätsprüfung der Methoden des ML in dynamischen Umgebungen erlauben und somit gezielt die Erfüllung von Normen garantieren.
Lernen mit Vorwissen
In komplexen Anlagen ist oftmals Lernen auf der Basis weniger Daten nötig, um Plug-and-Work Technologien oder datengetriebene Optimierung zu ermöglichen. Dies erfordert die Integration von Vorwissen und einen zuverlässigen Umgang mit auftretenden Unsicherheiten im Entwurf intelligenter Systeme.
Eingebettetes Lernen
Für eine ressourceneffiziente und kostengünstige Realisierung intelligenter Verfahren ist häufig eine verteilte Implementation auf eingebetteten Systemen erforderlich. Bei der Entwicklung geeigneter Methoden kommt uns dabei unsere langjährige Expertise bei der effizienten Hard- und Softwarerealisierung auf unterschiedlichen Plattformen unter Berücksichtigung von Industriestandards zugute. So stellen wir insbesondere für den Bereich des Cognitive Edge Computing geeignete Architekturen zur Verfügung.