AAAI-MAKE 2019 – Symposium um künstliche Intelligenz mit explizitem Wissen «schlauer» zu machen

Prof. Dr. Knut Hinkelmann und Dr. Andreas Martin von der Fachhochschule Nordwestschweiz organisieren im März 2019 ein Symposium an der Stanford University zur Kombination von maschinellem Lernen und Knowledge Engineering.

Wie kann das durch den Einsatz von künstlicher Intelligenz (KI) und Machine Learning erworbene Wissen so repräsentiert werden, dass es erklärbar und für den Menschen verständlich ist? Auf Basis dieser Fragestellung erhielten Prof. Dr. Knut Hinkelmann und Dr. Andreas Martin von der Intelligent Information Systems Research Group der Hochschule für Wirtschaft FHNW den Zuschlag der Association for the Advancement of Artificial intelligence (AAAI), ein Symposium an der Stanford University durchzuführen.

Das AAAI 2019 Spring Symposium on Combining Machine Learning with Knowledge Engineering (AAAI-MAKE 2019) wird im März 2019 am Sitz der AAAI, der Stanford University in Palo Alto (Kalifornien, USA), durchgeführt werden. Es wird Forscherinnen und Forscher, sowie Praktikerinnen und Praktiker aus den verschiedenen Bereichen des maschinellen Lernens und des Knowledge Engineering zusammenbringen, um gemeinsam an einer «schlaueren» KI zu arbeiten, die Schlussfolgerungen erklären kann, Compliant ist und auf explizitem Domänenwissen basiert.


Maschinen können lernen – aber wie kann ihr Wissen verständlich gemacht werden? (Foto: iStock)

KI und Machine Learning

Im Zuge der Digitalisierung feiert die KI als Grundlage von Machine Learning ein regelrechtes Revival. Bedeutende Verbesserungen der Lernalgorithmen, der Zugang zu Rechenleistung mit passender Hardware und die Verfügbarkeit von riesigen Datenmengen als Trainingsgrundlage brachten in jüngster Zeit imposante Anwendungen hervor und reduzierten den Lernaufwand signifikant. Datengetriebenes maschinelles Lernen, wie künstliche neuronale Netze (u.a. Deep Learning), eignet sich insbesondere für komplexe Situationen, für die das Wissen primär implizit vorhanden ist.

Implizites Wissen reicht nicht aus

Implizites Wissen bedeutet für uns Menschen vereinfacht gesagt etwas zu «können, ohne sagen zu können, wie». Solches Wissen können wir kaum erklären. KI-Ansätze mit implizitem Wissen reichen jedoch für viele Szenarien und Business Cases nicht aus, denn meist werden Erklärungen erwartet. Dies ist insbesondere dann gegeben, wenn Entscheidungen schwerwiegende Folgen haben können, wie beispielsweise in der Medizin. Zudem erfordern Banken, Versicherungen und die Pharmaindustrie die Einhaltung von Gesetzen und Vorschriften – Compliance ist hier das Stichwort.

Mit explizitem Wissen Schlussfolgerungen erklären

Explizites Wissen, welches kommuniziert, gespeichert, verarbeitet und übertragen werden kann, ist kaum rein datengetrieben erwerbbar, sondern muss repräsentiert werden – dies ist das Gebiet des Knowledge Engineering und der Wissensrepräsentation. Wissensbasierte Systeme, die Wissen explizit machen, werden seit Jahrzehnten eingesetzt. Solche Systeme basieren auf Logik und können so ihre Schlussfolgerungen erklären und verständlich machen.

Kräfte bündeln

Das datengetriebene maschinelle Lernen eignet sich am besten für den Aufbau von KI-Systemen, die auf implizitem Wissen basieren. Knowledge Engineering hingegen eignet sich zur Darstellung von Expertenwissen, das aus Compliancegründen berücksichtigt werden muss. Es besteht ein wachsender Bedarf an der Integration von maschinellem Lernen und Knowledge Engineering, mit dem Ziel, die Kräfte und Stärken beider KI-Methoden zu bündeln. Jüngste Ergebnisse deuten darauf hin, dass explizit dargestelltes Anwendungswissen datengetriebene maschinelle Lernansätze unterstützen und den Lernprozess verbessern kann.

Weitere Informationen

Website AAAI 2019 Spring Symposium on Combining Machine Learning with Knowledge Engineering

Datum: 25. bis 27. März 2019
Ort: Stanford University, Palo Alto, Kalifornien, USA

Kontakt

Dr. Andreas Martin

andreas.martin@fhnw.ch

Die Kommentarfunktion ist geschlossen.