Auch Künstliche Intelligenz will verstanden werden

21.02.2022

Am 17. Februar 2022 fand die 2. Veranstaltung der Softwarepark Hagenberg IT-Expert:innenreihe „Thinking AI“ als Online Event statt. Mehr als 110 Teilnehmer:innen widmeten sich gemeinsam mit namhaften Expert:innen dem Thema Erklärbare Künstliche Intelligenz.

Dr.ⁱⁿ Sonja Mündl, Managerin Softwarepark Hagenberg begrüßte die Teilnehmer:innen zur zweiten Veranstaltung der Eventreihe „Thinking AI“.

Durch den Abend begleitete DI (FH) Thomas Kern, FH OÖ, Leiter Center of Excellence – TIMed Center, als Moderator.

Eine besondere Freude war die Videobotschaft von Wirtschafts- und Forschungslandesrat Markus Achleitner, welcher die hohe Relevanz von Künstlicher Intelligenz und auch Erklärbarer Künstlicher Intelligenz für die oberösterreichische Wirtschaft stark betonte.

„Towards Deep and Interpretable Rule Learning“

Beim induktiven Regellernen geht es um das Lernen von Klassifizierungsregeln aus Daten. Gelernte Regeln sind von Natur aus interpretierbar und leicht zu implementieren, so dass sie sich für die für die Formulierung gelernter Modelle in vielen Bereichen eignen. Univ.-Prof. Dr. Johannes Fürnkranz vom Institute for Application-Oriented Knowledge Processing (FAW), argumentierte, dass aktuelle Regel Lernalgorithmen mehrere Einschränkungen haben. Diese Argumentationen wurden im Vortrag aufgegriffen und werden derzeit am Institute for Application-Oriented Knowledge Processing (FAW) untersucht.

„Welchen Beitrag kann symbolische Regression zu Explainable AI leisten? – Praxis-Beispiele aus dem Josef Ressel Zentrum“

Mit symbolischer Regression können Formeln aus Daten gelernt werden, die für Simulationen oder Vorhersagen genutzt werden können. Symbolische Regressionsmodelle sind direkt erklärbar, zusätzlich gibt es einige unterstützende Techniken, die von FH-Prof. DI Dr. Gabriel Kronberger (FH Oberösterreich, Josef Ressel Zentrum für symbolische Regression) in seinem Vortrag präsentiert wurden. Ein besonders interessanter Ansatz ist die Verknüpfung von symbolischer Regression mit physikalisch-basierten Modellen. Anhand einiger Praxis-Beispiele aus dem Josef Ressel Zentrum wurde gezeigt, wie man die Verständlichkeit und Genauigkeit von Modellen durch physikalisch motivierte Einschränkungen bzw. durch die Integration von Physik-basierten Teil-Modellen verbessern kann.

„Erklärbarkeit von KI-Vorhersagen auf der Grundlage von psychologischen Profilen“

Die zunehmende Bedeutung und der wachsende Einfluss von Künstlicher Intelligenz führen zu einer steigenden Nachfrage nach der Interpretierbarkeit und Transparenz von KI-Modellen und ihrer Entscheidungsfindung. Erklärbarkeit ist eine wichtige Voraussetzung für die Integration von KI-Methoden in Anwendungen, welche Zuverlässigkeit, Sicherheit und das Vertrauen des Nutzers in KI erfordern, wie z.B. autonomes Fahren, Gesundheitswesen oder industrielle Anwendungen, aber auch für die Gewährleistung, dass KI-Modelle in Übereinstimmung mit ethischen und rechtlichen Richtlinien handeln. In ihrem Vortrag präsentierte Dr.ⁱⁿ Manuela Geiß den neuen, am SCCH entwickelten Ansatz BAPC (Before and After prediction Parameter Comparison) und analysierte die Anwendbarkeit auf das Problem der Vorhersage des wirtschaftlichen Erfolgs von Unternehmen sowie der Einfluss der psychologischen Profildaten ihrer Entscheidungsträger auf den Unternehmenserfolg.

Spannende Diskussion

Während der Veranstaltung hatten die Teilnehmer:innen die Möglichkeit, über ein online Diskussionstool oder im Chat Fragen an die Vortragenden zu stellen. Diese und weitere Fragen wurden bei der Podiumsdiskussion von FH-Prof. Priv.-Doz. DI Dr. Michael Affenzeller, Univ.-Prof. Dr. Johannes Fürnkranz (FAW Institut), FH-Prof. DI Dr. Gabriel Kronberger (FH OÖ), Dr.in Manuela Geiß (SCCH), DI (FH) Thomas Kern (TIMed Center) und vielen interessierten Teilnehmer:innen diskutiert und erläutert.

Wir freuen uns auf eine gemeinsame Fortsetzung der IT-Expert:innenreihe 2021/22 zum Thema „Thinking AI“ am 09. Juni 2022.