?Je­den Tag schnellst­m?g­lich die bes­te Rou­te fin­den“

 |  ForschungMenschenKünstliche IntelligenzMitteilung

W?hrend Künstliche Intelligenz immer weiter in das t?gliche Leben integriert wird, gewinnt die Frage nach der Vertrauenswürdigkeit dieser Technologien an Bedeutung. Das Graduiertenkolleg für vertrauenswürdige KI-Technologie ?DataNinja“ will mit verschiedenen Projekten einen Beitrag leisten. Eines davon ist die Echtzeit-Konfiguration von Algorithmen mit mehrarmigen Banditen (EKAmBa) unter der Leitung der Professoren Dr. Kevin Tierney (Universit?t Bielefeld) und Dr. Axel-Cyrille Ngonga Ngomo (Universit?t Paderborn) sowie dem assoziierten Professor Dr. Eyke Hüllermeier (LMU München). Die Doktorand*innen Elias Schede (Bielefeld) und Jasmin Brandt (Paderborn) erforschen darin, wie KI schneller oder besser funktionieren kann – und so das Vertrauen in die Systeme gest?rkt wird.

Wie hilft Ihre Arbeit dabei, KI vertrauenswürdiger zu machen?

Jasmin Brandt: Für die Konfiguration von Algorithmen entwickeln wir Methoden mit starken theoretischen Garantien und steigern so das Vertrauen. Wir k?nnen zeigen, dass sie auch im schlimmsten Fall gut funktionieren. Im Vergleich kann eine rein heuristisch gefundene Konfiguration, also durch ein Verfahren der L?sungssuche per Ausprobieren, die optimale Funktionalit?t nur auf den getesteten Datens?tzen garantieren. Unser Ansatz bietet diese Sicherheit für jeden Problem-Datensatz.

Elias Schede: Wichtig ist auch die Robustheit der Algorithmen. Ich habe oft versucht, Algorithmen zu optimieren und verschiedene Parameterkonfigurationen zu testen. Manche dieser Konfigurationen sind recht unkonventionell. Es kann sein, dass Entwickler*innen nicht alle m?glichen Szenarien bedacht haben. Wir decken diese Lücken auf und erh?hen so die Robustheit in Bezug auf die Eingabe. Das gilt besonders für Algorithmen, die auf verschiedene Problemklassen angewendet werden k?nnen. Auch kann ein recht allgemeiner Algorithmus auf eine spezielle Problemklasse zugeschnitten werden.

Wie genau verbessern 365体育_足球比分网¥投注直播官网 die Algorithmen?

Elias Schede: Ich arbeite an der Konfiguration von Algorithmen. Wir stellen uns vor, ein Rennauto bietet unz?hlige Einstellungsm?glichkeiten, um die Leistung auf einer Rennstrecke zu maximieren. Das Ziel ist, eine Konfiguration zu finden, die das Auto nicht nur auf einer, sondern mehreren Rennstrecken optimal fahren l?sst. Dazu testet man verschiedene Einstellungen. Allerdings ist dieser Prozess kostspielig, es bedarf Arbeitskraft und Fahrtkosten entstehen. Wir entwickeln effiziente L?sungen, um diese Konfigurationsm?glichkeiten m?glichst zielführend zu suchen. Wir wollen mit so wenig Versuchen wie m?glich eine optimale Konfiguration für unser Rennauto finden, damit es auf allen Strecken hervorragend funktioniert.

Jasmin Brandt: Ich besch?ftige mich mit mehrarmigen Banditen. Bei diesem sequentiellen Entscheidungsproblem stehen in jedem Zeitschritt verschiedene Optionen zur Auswahl. Direkt nach der Entscheidung für eine der Optionen kann ein Gewinn für die gew?hlte Option beobachtet werden. Das kann man sich wie eine Gewinnausschüttung bei der Bet?tigung eines Spielautomaten vorstellen. In dem Anwendungsgebiet der Algorithmenkonfiguration entsprechen die Konfigurationen den Optionen und etwa die Laufzeit des Algorithmus mit der ausgew?hlten Konfiguration dem Gewinn. Mein Fokus liegt auf dem Spezialfall pro Zeitschritt mehrere Konfigurationen ausw?hlen zu k?nnen. Wir vergleichen verschiedene Algorithmuskonfigurationen mithilfe des Duelling-Verfahrens. Wir beobachten nun weder Lohn noch Laufzeit mehr, sondern nur noch welche der gew?hlten Konfigurationen am besten oder schnellsten ist. Um bei dem Rennauto-Bespiel zu bleiben: Wir lassen zwei Autos gegeneinander antreten und schauen, welches schneller das Ziel erreicht. Es handelt sich um dasselbe Rennauto, jedoch mit unterschiedlichen Konfigurationen. So k?nnen wir nach und nach die Konfigurationen anpassen und die beste finden.

Was sind Anwendungsszenarien für das, was 365体育_足球比分网¥投注直播官网 erforschen?

Elias Schede: Wir schauen uns Echtzeit-Einstellungen an. Um das zu erkl?ren, müssen wir uns vom Rennauto-Vergleich entfernen. Ein Beispiel für ein Realtime-Setting w?re ein Lieferdienst. Zu Beginn eines jeden Tages erh?lt der Lieferdienst eine Liste von Kund*innen und muss entscheiden, wann welche beliefert werden sollen. Dafür stehen Algorithmen zur Verfügung, die dieses Problem t?glich mit unterschiedlichen Kund*innenadressen l?sen. Ziel ist es, jeden Tag schnellstm?glich die beste Route zu finden. Dafür versuche ich, die optimale Parameterkonfiguration für den Algorithmus auszuw?hlen. Nachdem ich Feedback erhalten habe, passe ich die Parameter an. Am n?chsten Tag l?sst sich mit verbesserten Konfigurationen erneut das Problem l?sen.

Das sind ja ganz allt?gliche Beispiele. Nutzen Lieferdienste die denn noch nicht?

Kevin Tierney: Bei vielen Firmen sind die Parameter ihrer Algorithmen verschlossen, das hei?t, sie k?nnen nicht durch externe Software wie unseren Konfigurator ge?ndert werden. Falls es doch ?offene“ Parameter gibt, die ge?ndert werden k?nnen, werden diese oft schnell manuell justiert. So wird Performance liegen gelassen, die man mit einer strukturierten Suche wie Jasmin und Elias sie betreiben, verbessern k?nnte.

Da ist also noch Luft nach oben.

Elias Schede: Es gibt Raum für Verbesserungen. Wir analysieren n?mlich sowohl die Laufzeit – also ein Problem besonders schnell zu l?sen – als auch die Qualit?t der Probleml?sung. Wenn ich die Standardkonfiguration eines Algorithmus betrachte und sie mit der Konfiguration vergleiche, die ich finde, ist sie stets schneller oder besser.
 
Jasmin Brandt: Die Methoden k?nnen in allen Situationen angewendet werden, in denen ein Algorithmus mit bestimmten anpassbaren Parametern im Einsatz ist. Der Anwendungsbereich w?chst durch die Automatisierung weiter.

Die Kooperation im DataNinja besteht seit zwei Jahren. Wie empfinden 365体育_足球比分网¥投注直播官网 die Zusammenarbeit über Standorte hinweg?

Elias Schede: Unsere Zusammenarbeit erg?nzt sich super: Jasmin bringt ihre Expertise auf der theoretischen Seite ein, w?hrend ich versuche, empirisch zu belegen, dass unsere Methoden funktionieren.
 
Axel-Cyrille Ngonga Ngomo: Das Graduiertenkolleg ist sehr strukturiert und dadurch effektiv. Bei w?chentlichen Meetings pr?sentieren die Promovierenden ihre Fortschritte oder Gastdozierende geben mit Vortr?gen neue Impulse. Weil das Kolleg als Netzwerk organisiert ist, dient es auch als Anlaufstelle für Unternehmen, die KI-Systeme einsetzen wollen, die sich flexibel an Anforderungen anpassen k?nnen. So bekommen die Promovierenden früh die Verbindung zur Praxis.
 
Jasmin Brandt: Und in jedem Dissertationsprojekt steht die Expertise von zwei Professor*innen von unterschiedlichen Hochschulen zur Verfügung, was sehr hilfreich ist. Dadurch haben sich neue interessante Konstellationen gebildet, auch für zukünftige Projekte. So kommt es, dass ich derzeit einen Gastaufenthalt an der ETH in Zürich verbringe. Ich habe dabei viel gelernt, Kontakte geknüpft und neue Perspektiven erhalten.

Graduiertenkolleg mit sieben Projekten

Im von der Universit?t Bielefeld koordinierten DataNinja -Graduiertenkolleg arbeiten neun Universit?ten und Hochschulen aus NRW zusammen. Neben EKAmBa sind weitere Projekte:

  • GAIA – Gau?prozesse für automatische und interpretierbare Anomalie-Erkennung (FernUniversit?t in Hagen und Technische Hochschule Ostwestfalen)
  • ML4ProM – Maschinelle Lernverfahren zur Detektion von Drift für die Realisierung pr?diktiver Pr?ventionstechnologien im Prozess Mining (RWTH Aachen und Universit?t Bielefeld)
  • NireHApS – Neuro-inspirierte ressourcen-effiziente Hardware-Architekturen für plastische SNNs (Hochschule Bielefeld und Universit?t Bielefeld)
  • (RL)3 –Repr?sentations- Reinforcement- und Regellernen (Ruhruniversit?t Bochum und Technische Hochschule K?ln)
  • RoSe – Robuste Individualisierung smarter Sensorik (Hochschule Bielefeld und Universit?t Bielefeld)
  • X-FI – Interpretierbares maschinelles Lernen durch spieltheoretische Analyse von Einflussgr??en und Interaktionseffekten (TU Dortmund und Universit?t Paderborn)

DataNinja geh?rt zu den herausragenden Forschungsverbünden, in denen die Universit?t Bielefeld mit Kooperationspartnern an KI arbeitet. Aktuell bewirbt sich die Universit?t Bielefeld gemeinsam mit den Universit?ten Bremen und Paderborn um einen Exzellenzcluster, der das Konzept der Ko-Konstruktion nutzt, um die Interaktion von Mensch und Maschine zu verbessern.

 

Foto (TRR 318): Die Professoren Dr. Kevin Tierney (l.) von der Universit?t Bielefeld und Dr. Axel-Cyrille Ngonga Ngomo (r.) von der Universit?t Paderborn leiten das Dissertationsprojekt zur Echtzeit-Konfiguration von Algorithmen.
Foto (Mike-Dennis Müller): Die Doktorand*innen Elias Schede und Jasmin Brandt wollen mit ihrer Forschung das Vertrauen von Nutzer*innen in Künstliche Intelligenz steigern.