Die folgende Grafik zeigt die inhaltlichen, methodischen und technischen Kompetenzen im Institut.
Kompetenz 1: Transdisziplinäre Zusammenarbeit
Um ganzheitliche Lösungsansätze im Bereich KI entwickeln und reflektieren zu können, sind transdisziplinäre Perspektiven zunehmend unverzichtbar. So erfordern beispielsweise Fragen von Ethik oder der Sozialverträglichkeit von Techniklösungen einen intensiven Austausch unterschiedlicher Disziplinen, die die kritische Reflexion der jeweils eigenen Begrifflichkeiten oder Wertannahmen systematisch einschließt. Dieser reflektierende Blick muss auch entsprechenden Bildungsansätzen zugrunde liegen.
Kompetenz 2: Tailored AI
Abhängig von der konkreten Anwendung, der Datenlage, Anforderungen bzw. Ansprüchen seitens des menschlichen Parts in der Interaktion von Mensch und Maschine (KI) oder den gesellschaftlichen Implikationen werden unterschiedliche Arten von KI relevant. Dies bezieht sich beispielsweise auf das Spektrum von direkt interpretierbaren, sog. White-Box Modellen auf der einen und reinen Black-Box Verfahren auf der anderen Seite, und erfordert in diesem Zusammenhang oft ein anwendungsabhängiges Austarieren von Interpretierbarkeit und Vorhersagequalität. Im Bereich Prescriptive Decision Analytics reicht das Methodenspektrum je nach Anwendungsanforderung von Verfahren für deterministische Optimierungsprobleme, über mehrstufige sequenzielle Entscheidungsprobleme unter Unsicherheit bis hin zu dezentralen Koordinationsproblemen mit autonomen Akteuren. Daneben können die Qualität und Menge der zur Verfügung stehenden Daten und Variablen in unterschiedlichen Anwendungen sehr unterschiedlich sein. Es wird also schwerlich möglich sein mit einer einzelnen Art von KI-System jeder Anwendung und jeder Situation gerecht zu werden. HSU-AI bietet in diesem Kontext einen ganzheitlichen Blick auf Fragen des Prozess-Designs, der Variablen ganz unterschiedlicher Art und Dimensionen mit einschließt.
Kompetenz 3: KI in den Ingenieurwissenschaften
Die Ergebnisse nichttechnischer ML-Anwendungen werden in der Regel von einem Menschen interpretiert und überprüft. Der Einsatz von ML in einem technischen System hingegen bedeutet oft, dass die Anwendung in einem geschlossenen Regelkreis erfolgt: Die Ergebnisse werden von einer Software interpretiert und dann automatisch zur Optimierung verwendet. Dieses andere Nutzungsszenario schafft Herausforderungen, die CPS von nicht-technischem ML unterscheiden Anwendungen. Im Kern wird eine höhere Robustheit und Resilienz von den KI-Systemen in den Ingenieurwissenschaften verlangt: (i) Das Hauptmerkmal aller physikalischen Systeme besteht darin, dass ihr Verhalten über die Zeit und nicht nur zu einem bestimmten Zeitpunkt betrachtet werden muss – daher müssen beispielsweise die eingesetzten ML-Verfahren auch das Systemverhalten über die Zeit berücksichtigen und vorhersagen. (ii) Um ML-Verfahren und erlernte Modelle in CPS nutzen zu können, ist es zwingend erforderlich, die Unsicherheit der Vorhersagen der ML-Systeme zu bewerten. Unsicherheiten entstehen oft durch Rauschen der Sensordaten,Messfehler oder durch nicht beobachtbare Werte bzw. Störgrößen (“Confounding Effects”). (iii) Für CPS gibt es bereits in der Entwurfsphase umfangreiches Vorwissen, das auf physikalischen Gesetzen und technischem Wissen basiert. Dieses individuelle Wissen soll zur Verbesserung der KI-Praktiken genutzt werden. Insbesondere bei ML-Lösungen kann Vorwissen den Bedarf an großen Datenmengen verringern. (iv) KI-Ergebnisse und generierte Modelle müssen menschlichen Bedienern erklärt werden: Dazu müssen symbolische Konzepte aus den (numerischen) Modellen gelernt werden. Hierzu werden Erläuterungen und Begründungen generiert.
Kompetenz 4: Datafizierung und Data Literacy
Im Sinne der beschriebenen Ansätze charakterisiert HSU-AI ein multiperspektiver Zugang zum Thema Daten und Data Science. So spielen Data Literacy-Modelle eine große Rolle beim Verständnis von und der reflektierten Gestaltung von KI-Systemen. Ebenso hilft der Begriff der Datafizierung dabei, die umfassenden soziotechnischen Strukturzusammenhänge von KI zu greifen und bearbeitbar zu machen. Semantische Technologien tragen zur Verbesserung der Datenqualität und der Qualität von KI-Systemen bei, indem sie ein tieferes Verständnis des Inhalts von Daten und ihres Kontextes ermöglichen. Darüber hinaus ist eine sorgfältige Datenallokation von entscheidender Bedeutung, um sicherzustellen, dass die KI-Algorithmen mit qualitativ hochwertigen und repräsentativen Daten trainiert werden. KI-Ansätze finden in den Cognitives Sciences seit jeher Anwendung in der Modellierung mentaler Prozesse.
Letzte Änderung: 27. Juni 2024