Interaktives Maschinelles Lernen mit Evolving Fuzzy Systemen

Das Hauptziel dieses Projekts ist die Entwicklung eines neuen methodischen Gerüsts zur Überwindung der derzeitigen Beschränkungen von Machine-Learning (ML) -Systemen innerhalb Industrieanlagen, Plattformen für soziale Medien, Gesundheitssystemen, Web-Mining-Werkzeugen, Frameworks für vorrausschauende Instandhaltung usw. Gegenwärtig sind ML-Systeme mehr auf eine präzise Online-Verarbeitungsfunktion ausgerichtet, sodass kontinuierlich ankommende Datenströme verarbeitet werden und daraus qualitativ hochwertige Modelle für verschiedene Zwecke wie Entscheidungsunterstützungen, Zustandsprognosen, Klassifizierungen, Qualitätskontrolle usw. gelernt werden. Tatsächlich können die Ergebnisse dieser Lernprozesse und/oder der internen Modellerstellungsstufen dem Benutzer gezeigt werden, aber dies ist grundsätzlich eingeschränkt auf passive Überwachungs-Front-Ends, welche höchstens rudimentäre Rückmeldungen durch menschliche Benutzer erlauben. Heutige Systeme sehen jedoch keine fortgeschrittene Interaktions- und Kommunikationsmethodik vor, bei der der Mensch stimuliert wird und somit willens in der Lage wäre, ihr/sein Wissen über den Prozess einzubringen. Es wird erwartet, dass in einem fortgeschrittenen interaktiven System sowohl der Mensch als auch die Maschine voneinander profitieren, indem Wissensgewinne für den Menschen und Leistungssteigerungen für die ML-Modelle erzielt werden. Diese Anfrage führt zu mehreren Forschungsfragen und Herausforderungen auf methodischer Ebene, die in diesem Projekt innerhalb von 4 Arbeitspaketen (und damit verbundenen Zielen) angegangen und bewerkstelligt werden sollen, allen voran Methoden, um die Modelle und ihre Ergebnisse für die Benutzer interpretierbar und verständlich gemacht werden, Methoden zur Effizienzsteigerung des menschlichen Feedbacks (wann wird dieses am meisten benötigt), und neue Methoden, um verschiedenartigen Input der User auf einfache Weise und insbesondere auf struktureller Ebene in die Modelle zu integrieren. Dazu gehört auch ein angemessener Umgang mit menschlicher Unsicherheit und Vagheit und wird zu einem neuen hybriden Lernparadigma führen, von dem erwartet wird, dass es signifikante Auswirkungen auf die Forschungslandschaft hat. Es ist geplant, ein prototypisches Softwaretool mit einem geeigneten GUI-Frontend zu generieren, welches für Evaluierungs- und Testzwecke auf mehreren realen Anwendungen verwendet wird. Es wird erwartet, dass das Tool nach erfolgreicher Etablierung für mehrere Industriepartner des beantragenden Forschungsinstituts sehr attraktiv sein wird und es für weitere anwendungsbezogene und Forschungsprojekte einen großen Nutzen haben wird --- bedingt durch die Anforderungen der Partner in vergangenen Projekten, bei denen sich aber eben herausstellte, dass sie sehr grundlagenforschungslastige Themen aufwerfen. Das Tool wird auch der Forschungsgemeinschaft zugänglich gemacht => Auswirkungen in einem breiteren, internationalen Kontext. Die Verantwortung liegt in den Händen eines renommierten internationalen Forschers, nämlich Dr. Edwin Lughofer, der mehrere Publikationen (etwa 50 Zeitschriftenbeiträge) in den Bereichen Evolving Fuzzy Systems, Interpretierbarkeit sowie aktives Lernen verfasst hat. Er hat auch langfristige Verbindungen und Zusammenarbeit in verschiedenen Publikationen/Projekten mit internationalen Forschungseinrichtungen, die an den gleichen und / oder ähnlichen Forschungsthemen arbeiten. Ein Post-Doc und ein Doktorand (vom Antragsteller beaufsichtigt und aktiv unterstützt) sollten in der Abteilung für die Realisierung aller Projektziele eingesetzt werden.