Aufbau eines universitätsweiten Kooperationsnetzwerks Künstliche Intelligenz am Beispiel Ambient Assisted Living

Kurzbeschreibung

Künstliche Intelligenz (KI) ist zu einem Schlüsselthema geworden und gewinnt stetig an Bedeutung. Es soll die Welt hinsichtlich ihrer komplexen Zusammenhänge für Maschinen verstehbar machen. Dabei fächert sich das Forschungsgebiet breit auf und findet sich heute schon in vielen Anwendungen (wie Bild- und Sprachverarbeitung) wieder. Um innerhalb dieses Gebietes weiter voran zu kommen und neue methodische Ansätze für ein besseres KI Verständnis zu erlangen, sollen durch dieses interdisziplinäre Projekt Synergien verschiedenster Professuren der TU Chemnitz im Bereich KI genutzt und zu einem Kompetenznetzwerk zusammengeführt werden. Dabei fußt das Vorhaben auf der von der Bundesregierung im Jahr 2018 beschlossenen KI Strategie, welche Europa und Deutschland zu einem führenden Standort der KI-Technologie machen und gleichzeitig die Wettbewerbsfähigkeit sichern soll. Explizit wird das Projekt vom Sächsischen Staatsministerium für Wirtschaft und Kunst (SMWK) bis zum 31. Dezember 2021 gefördert.

Das Thema

Das Applikationsfeld für das Forschungsvorhaben des KI Kompetenznetzwerkes bezieht sich auf das sogenannte „Ambient Assisted Living“ (AAL), was die Unterstützung älterer oder beeinträchtigter Menschen durch entsprechende Systeme beschreibt. Der vermehrte Einsatz von KI in diesem Bereich kann die Zuverlässigkeit und Funktion dieser Systeme und Methoden erheblich verbessern. Zu dem ermöglicht die Kombination aus KI und AAL einen positiven Beitrag zur Bewältigung der Probleme aufgrund des demografischen Wandels. An der Untersuchung des Potentials Künstlicher Intelligenz im Bereich des AAL sind folgende Fakultäten mit den entsprechenden Professuren beteiligt:

• Elektrotechnik und Informationstechnik (Professuren: Digital- und Schaltungstechnik, Prozessautomatisierung, Regelungstechnik und Systemdynamik, Robotik und Mensch-Technik-Interaktion, Schaltkreis- und Systementwurf)
• Informatik (Professuren: Künstliche Intelligenz, Rechnerarchitekturen und -systeme, Technische Informatik)
• Maschinenbau (Professur Sportgerätetechnik)
• Mathematik (Professur Wissenschaftliches Rechnen)

Unsere Aufgaben im Projekt

Maschinelles Lerne, welches ein prominentes Teilgebiet der KI ist, beruht gegenwärtig überwiegend darauf, mit Hilfe eines Neuronalen Netzes aus einer großen Anzahl von Trainingsdaten eine Abbildung zwischen Eingangs- und Ausgangsvariablen zu finden („curve fitting“). Damit können zwar bestimmte unkritische Mustererkennungsaufgaben erfolgreich gelöst werden, aber diese Ansätze weisen eine Reihe von Problemen auf. Zum Beispiel ist die Reaktion auf Eingangsdaten, die während des Trainings nie gesehen wurden (Extrapolation), völlig unvorhersehbar und hindern den Einsatz in allen sicherheitskritischen Anwendungen, wie z.B. dem autonomen Fahren oder auch dem AAL. Deshalb wollen wir Methoden entwickeln, um Neuronale Lernverfahren mit Modellen zu kombinieren, die Vorwissen und insbesondere Kausalzusammenhänge (Ursache-Wirkung) abbilden. Durch solche generativen Modelle soll die Generalisierungsfähigkeit und Nachvollziehbarkeit der Entscheidungen wesentlich verbessert werden. Dies ist die Grundlage für ein tieferes Situationsverstehen. Es soll untersucht werden, wie Modelle dynamischer Systeme mit mehreren Akteuren aus Beobachtung, Vorwissen und Intervention gelernt und zur Vorhersage der Aktionen der Akteure genutzt werden können. Akteure sind z.B. Verkehrsteilnehmer in einem komplexen Stadtverkehrsszenario oder auch Menschen in ihrer Wohnung, deren Verhalten richtig eingeschätzt werden muss, um kritische Situationen und mögliche Unfälle vorherzusehen und damit zu vermeiden.

Um solche Kausalzusammenhänge abzubilden und vorherzusagen, wollen wir dazu die Bereiche der Probabilistischer graphischer Modelle (PGM) und Probabilistic Programming nutzen. Dies sind Klassen etablierter Verfahren zur Modellierung von Unsicherheit in statischen und dynamischen Szenarien. Dabei stellen wir uns folgende Forschungsfragen:

1. Können wir diese Modelle auch benutzen um Ursache-Wirkungs-Beziehungen zu modellieren?
2. Können wir damit besser physikalische Gesetzmäßigkeiten und Verhaltensvorhersagen aus Beobachtung und möglicherweise Interaktion lernen?

 

Gefördert vom: