Ein hybrider Ansatz für KI
Aktuell werden KI-Verfahren weitgehend datenbasiert entwickelt. In der Trainingsphase wird auf Experteneingriffe verzichtet und die KI ausschließlich durch Daten in einem kontinuierlichen Prozess optimiert. Diese Vorgehensweise weist zwei erhebliche Schwächen auf: Für das Training und die Validierung werden enorme Datenmengen benötigt, deren Erhebung und Aufbereitung sehr aufwendig und teuer sind. Darüber hinaus sind datenbasierte KI-Funktionen oftmals Black-Box-Modelle, deren Entscheidungsfindung nicht immer direkt nachvollzogen werden kann.
Bisherige Forschungsansätze konzentrieren sich bei der Lösung dieser Probleme auf die Optimierung der für das Training notwendigen Daten. Das Projekt KI Wissen geht die Herausforderung auf eine neuartige Art und Weise an: Es erforscht, wie sich bekanntes, für den Verkehrskontext relevantes Wissen – in Form von Verkehrsregeln, mathematisch-physikalischen Gegebenheiten und auch sozialen Normen – in KI-Systeme einbinden lässt. Durch diesen hybriden Ansatz, d. h. die Verknüpfung von datenbasierten Verfahren mit wissensbasierten Methoden, wird im Projekt die Basis für das Training und die Validierung der KI-Funktionen komplett neu definiert. Die im Projekt vollzogene Weiterentwicklung von daten- zu informationsbasierter KI adressiert zentrale Herausforderungen auf dem Weg zum autonomen Fahren: die Generalisierung der KI auf Phänomene mit geringer Datengrundlage, die Erhöhung der Stabilität der trainierten KI auf Störungen der Daten, die Dateneffizienz, die Plausibilisierung und die Absicherung von KI-gestützten Funktionen sowie die Steigerung der funktionalen Güte.