KI‑Systeme

Künstliche Intelligenz (KI) ist – ebenso wie damit verknüpfte Techniken wie maschinelles Lernen und Big Data – in aller Munde. Die große Dynamik und Tragweite dieser Entwicklungen zeigen sich bereits in zahlreichen Anwendungsgebieten von Wirtschaft, Gesellschaft und Wissenschaft. Technikfolgenabschätzung (TA) von KI hat in diesem Zusammenhang zunächst die Aufgabe, etwaige überzogene öffentliche Erwartungen und Befürchtungen in sachliche, realistische Perspektiven zu transformieren. In einem zweiten Schritt kann TA entlang begründbarer Entwicklungsziele von KI und legitimer gesellschaftlicher Wertvorstellungen Impulse für die weitere, wünschbare Gestaltung von KI geben. Wenn TA diese Orientierungsaufgabe nah am technologischen Kern wahrnimmt, findet sie dabei große gestalterische Freiräume in frühen Phasen der Technikentwicklung vor. Die damit zusammenhängenden Gedanken werden im vorliegenden Einleitungskapitel konkretisiert und auf die Beiträge zu diesem Themenschwerpunkt angewendet.

Einfluss atmosphärischer Umgebungsbedingungen auf den Lebenszyklus konvektiver Zellen im Nowcasting

<p>Trotz signifikanter Verbesserungen in den vergangenen Jahren sind die Unsicherheiten insbesondere bei der Vorhersage von Gewittern und ihren Begleiterscheinungen wie Starkregen, Hagel oder Sturmböen selbst mit konvektionsauflösenden Wettervorhersagemodellen der Wetterdienste noch immer zu groß, um daraus verlässliche und möglichst punktgenaue Warnungen abzuleiten. Für kurzfristige Präventionsmaßnahmen bis hin zur Evakuierung von Menschen beispielsweise bei Veranstaltungen im Freien sind präzise Vorhersagen auf kurzen Zeitskalen jedoch unerlässlich. Mit den Verfahren der Echtzeit-Vorhersage (Nowcasting) lassen sich Gewitterereignisse und ihre wesentlichen Merkmale identifizieren und aus der Kenntnis der Historie für Zeitskalen von einigen Minuten bis zu wenigen Stunden extrapolieren beziehungsweise vorhersagen. Die üblicherweise kurze Lebensdauer konvektiver Ereignisse und deren schnelle Entwicklung während instabiler Wetterlagen führen jedoch oftmals zu einer erheblichen Diskrepanz zwischen den Nowcasting-Vorhersagen und den beobachteten Wetterbedingungen. Hier besteht folglich ein großes Verbesserungspotential.</p> <p>Präsentiert wird eine Analyse der Lebenszyklen von konvektiven Zellen in Deutschland, welche die vorherrschenden atmosphärischen Bedingungen miteinbezieht. Außerdem werden verschiedene statistische Modelle zur Abschätzung der Lebensdauer und Größe konvektiver Zellen im Sinne des Nowcastings vorgestellt. Ein Vergleich dieser Modelle ermöglicht es zu beurteilen, welche Methode am besten geeignet ist, Nowcasting-Verfahren für Warnmanagementsysteme von Wetterdiensten zu verbessern.</p> <p>Unter Verwendung von Daten des radarbasierten Zellverfolgungsalgorithmus KONRAD des Deutschen Wetterdienstes (DWD) wurden objektbasierte Lebenszyklen von isolierter Konvektion (Einzel- und Superzellen) für die Sommerhalbjahre 2011-2016 analysiert. Zusätzlich wurde eine Vielzahl konvektionsrelevanter atmosphärischer Variablen (z.B. Deep Layer Shear, CAPE, Lifted Index), die mittels hochauflösender COSMO-EU Assimilationsanalysen berechnet wurden, mit den Lebenszyklen kombiniert. Auf der Grundlage dieses kombinierten Datensatzes werden statistische Zusammenhänge zwischen verschiedenen Zellattributen und atmosphärischen Variablen diskutiert. Wie die Analysen zeigen, sind insbesondere Maße der vertikalen Windscherung aufgrund ihres Einflusses auf die Organisationsform der Zellen geeignet, zwischen solchen mit kurzer und langer Lebensdauer zu unterscheiden. Erhöhte thermische Instabilität ist mit einem schnelleren anfänglichen Zellwachstum verbunden, was eine größere horizontale Zellexpansion (Zellfläche) während des Lebenszyklus und indirekt eine längere Lebensdauer begünstigt.</p> <p>Drei verschiedene multivariate Methoden (logistische Regression, <em>Random Forest</em>, nichtlinearer polynomialer Ansatz) wurden als statistische Modelle zur Schätzung der Lebensdauer und der maximalen Zellfläche konvektiver Zellen unter Verwendung eines Ensemble-Ansatzes untersucht ("Überwachtes Maschinelles Lernen"). Die Vorhersagegüte der Modelle wurde mittels probabilistischer Evaluation bewertet und die Bedeutung der anfänglichen Zellentwicklung und der atmosphärischen Variablen für den weiteren Verlauf des Lebenszyklus quantifiziert. Es werden Potentiale und Grenzen der drei Methoden aufgezeigt, die verdeutlichen, dass die Wahl einer geeigneten Methode von dem genauen Nowcasting-Problem bzw. der Anforderung abhängt. Die Untersuchungen legen nahe, dass die maximale Zellfläche konvektiver Zellen besser abgeschätzt werden kann als ihre Lebensdauer. Atmosphärische Variablen, die den dynamischen und thermodynamischen Zustand der Atmosphäre charakterisieren, sind zu Beginn der Zellentwicklung besonders wichtig für die Abschätzung der zukünftigen Entwicklung der Zellattribute, während mit zunehmendem Zellalter die Zellhistorie immer relevanter wird.</p>

Humanzentrierte Künstliche Intelligenz: Erklärendes interaktives maschinelles Lernen für Effizienzsteigerung von Parametrieraufgaben

ZusammenfassungVerfahren der Künstlichen Intelligenz, insbesondere datenintensive Methoden des maschinellen Lernens, halten immer mehr Einzug in industrielle Anwendungen. Im Normalfall werden KI-Anwendungen meist als fertige Black-Box-Komponenten betrachtet, welche nicht in der Lage sind, mit Anwendern zu interagieren. Am Beispiel von Parametrieraufgaben werden wir die dadurch entstehenden Probleme beleuchten und aufzeigen, wie Anwender eingebunden werden können. Für erfolgreiche Interaktion mit menschlichen Anwendern ist es notwendig, deren besonderen Erwartungen und Limitierungen explizit zu berücksichtigen. Neue, menschzentrierte Algorithmen, deren Interaktionsschnittelle auf psychologischen Erkenntnissen basiert, müssen entwickelt und identifiziert werden.

Hybrides Maschinelles Lernen im Kontext der Produktion

ZusammenfassungDer Einsatz von Maschinellem Lernen (ML) zur Gewinnung von Erkenntnissen aus großen Datenmengen und der Lösung anspruchsvoller Aufgaben bietet ein enormes Potenzial für die industrielle Produktion. Allerdings ist der Einsatz von ML-Modellen auch mit Herausforderungen verbunden. Dazu gehören die meist großen benötigten Datenmengen sowie die mangelnde Transparenz und Erklärbarkeit dieser Modelle, was ihren Einsatz in der Praxis erschwert. Ein Ansatz, um diesen Herausforderungen zu begegnen, ist, in der Industrie vorhandenes Fachwissen zu nutzen und mit ML-Modellen zu verbinden. Dieser Ansatz wird als hybrides maschinelles Lernen bezeichnet. Im Folgenden werden die Vor- und Nachteile von klassischen wissens- und datenbasierten Modellen diskutiert sowie Ansätze vorgestellt, um beide Welten miteinander zu verbinden. Anhand von Beispielen aus der Regelungstechnik und Industrierobotik wird erläutert, wie sich diese anschließend im Produktionskontext umsetzen lassen. Im Fokus stehen dabei besonders Aspekte der Zuverlässigkeit, wie die Erklärbarkeit und Robustheit solcher Systeme, die wichtige Elemente der digitalen Souveränität des Anwenders sind.

Künstliche Intelligenz-unterstützte Behandlung in der Rheumatologie

ZusammenfassungComputergesteuerte klinische Entscheidungssysteme finden seit Längerem Einzug in die Praxis. Deren primäre Ziele sind die Verbesserung der Behandlungsqualität, Zeitersparnis oder Fehlervermeidung. Meist handelt es sich um regelbasierte Algorithmen, die in elektronische Patientenakten integriert werden, z. B. um Medikamenteninteraktionen zu erkennen. Durch künstliche Intelligenz (KI) können klinische Entscheidungssysteme disruptiv weiterentwickelt werden. Aus Daten wird durch maschinelles Lernen konstant neues Wissen geschaffen, um individuelle Krankheitsverläufe bei Patienten vorherzusagen, Probleme schneller zu erkennen, Phänotypen zu identifizieren oder die Therapieentscheidung zu unterstützen. Solche Algorithmen für rheumatologische Erkrankungen gibt es bereits. Am weitesten fortgeschritten hierbei sind die automatisierte Bilderkennung sowie Vorhersagen zum Krankheitsverlauf bei der rheumatoiden Arthritis. Von nutzerfreundlichen, durch Schnittstellen vernetzten KI-Entscheidungssystemen kann aber noch nicht gesprochen werden. Zudem sind die Algorithmen oft noch nicht genügend validiert und reproduzierbar. Anstatt die KI-unterstützte Wahl der Behandlung dem Arzt oder der Ärztin vorzugeben, wird KI eher als hybride Entscheidungsunterstützung dienen – immer unter Einbezug sowohl des Experten als auch des Patienten. Es gibt zudem ein großes Bedürfnis nach Sicherheit durch nachvollziehbare und auditierbare Algorithmen, um die Qualität und Transparenz von KI-unterstützten Therapieempfehlungen nachhaltig zu gewährleisten.

Maschinelles Lernen bei hohem Variantenreichtum und kleinen Serien

Mit der fortschreitenden Digitalisierung wachsen die Forderungen nach der Ausschöpfung des Potentials der dabei erhobenen Daten. Hierfür haben die Methoden des Maschinellen Lernens ihre Praxistauglichkeit bewiesen. Jedoch ergeben sich bei der Anwendung dieser Technologie in Produktionssystemen mit hohem Variantenreichtum und kleinen Serien, vielschichtige Herausforderungen. Das Feature Engineering als Teil der Datenaufbereitung birgt hierbei ein großes Potential zur deren Bewältigung. Anhand des Beispiels der Nutzfahrzeugproduktion werden in diesem Beitrag Handlungsempfehlungen hierzu aufgezeigt.