Induktive Situationsevolutions-Modellierung

Durch den rasanten Technologie-Fortschritt wird die effektive Überwachung und Steuerung räumlich verteilter Infrastrukturen in Bereichen wie Verkehr, Energie oder Industrie, immer mehr zur besonderen Herausforderung. Bahnbrechende Entwicklungen wie das "Internet der Dinge" liefern eine Flut an Sensordaten über aktuelle Zustände des überwachten Bereichs wie z.B. Verkehrsfluss, Energieverbrauch oder Maschinenverschleiß,sodasspotentiell kritische Situationen(z.B. Geisterfahrer) und deren Evolution (z.B. Geisterfahrer bewegt sich auf Tunnel zu) noch schneller erkannt und vorhergesagt und damit rechtzeitig entschärft oder gänzlich verhindert werden können. Gleichzeitigsteigt durch die ungeheuren Datenmengen aberauch die Gefahr der Informationsüberflutung massiv an, wodurch eine adäquate Software-Unterstützung durch sog. "Situationserkennungssysteme" unerlässlich ist. Ausschlaggebend für deren Effektivität sind adäquate Muster möglicher kritischer Situationen in Form sog. "Situations-Evolutions-Modelle", die als Vorgabe für eine automatisierte Suche nach kritischen Situationen im Sensordatenstrom dienen. Existierende Ansätze fokussieren dabei entweder auf eine manuelle und damit aufwändige sowie fehleranfällige Modellerstellung durch Experten oder aber auf eine automatisierte Analyse historischer Sensordaten mit maschinellen Lernverfahren wobei jedoch z.B. seltene oder bislang nie aufgetretene Situationen unberücksichtigt bleiben. Kombinierte Verfahren, um menschliche Erfahrung als auch Realweltdaten zu berücksichtigen, stecken noch in den Kinderschuhen. Zielsetzung dieses Projektvorhabens ist es daher, beide Verfahren in einer neuartigen Art und Weise synergetisch miteinander zu vereinen, um, in einer verzahnten und iterativen Vorgehensweise möglichstpräzise Modelle relevanter Evolutionen kritischerSituationenundderen Auftrittswahrscheinlichkeiten zu erstellen und diese darüberhinaus automatisiert von unterschiedlichen Situationserkennungssystemen für verschiedene Domänen überwachen zu lassen. Konkret werden hierzu Verfahren entwickelt die es erlauben, in einer Art "Wechselspiel", zum Einen auf Basis einer automatisierten Datenanalyse bspw. bereits von Experten erstellte Situations-Evolutions-Modelle zu überprüfen, zu vervollständigen sowie zu verfeinern und zum Anderen etwaige (Teil-)Modelle zu nutzen um den Analyseprozess zielgerichtet zu steuern. Als Forschungsmethode wird der, in Ingenieurswissenschaften anerkannte, konstruktionsorientierte "Design Science Research"-Ansatz eingesetzt, wobei ein Software-Prototyp realisiert wird der es erlaubt, die Effektivität der entwickelten Verfahren durch Verwendung von Realweltdaten zu evaluieren. In einem breiteren Kontext liefert dieses Projekt einen wertvollen Beitrag zur hochaktuellen Fragestellung wie aus der ständig steigenden Datenflut Stichwort "Big Data" maschinell-verarbeitbares Wissen geschaffen werden kann.

Das Forschungsprojekt "Induktive Situationsevolutions-Modellierung" (inSiTUEVO) widmete sich der Frage: Wie können intelligente Informationssysteme automatisiert aus konkreten Situationsbeschreibungen entsprechende abstrakte Situationsmodelle ableiten, um derartige Situationen zukünftig selbst richtig erkennen und deren Entwicklung abschätzen zu können? Das potenzielle Einsatzgebiet für diese Grundlagenforschung im Bereich der Algorithmik und des maschinellen Lernens liegt in der Entwicklung von Softwaresystemen für Kontrollraum-Überwachung, wie z.B. der Straßenverkehrs-, Luftfahrtverkehrs- oder Seeverkehrsüberwachung, Cyber-Sicherheit, Kraftwerken und Stromversorgungsnetzwerken, industriellen Produktionsanlagen etc. Menschliche OperatorInnen in diesen Kontrollräumen müssen sich anbahnende kritische Situationen im überwachten System identifizieren und deren weitere Entwicklung richtig abschätzen, um adäquat reagieren zu können. Denken wir z.B. an einen Operator in einer Straßenverkehrsleitstelle, so könnte eine derartige Situation bspw. die Bildung eines Staus als Folge eines Unfalls sein. Auf diese Situation muss der Operator zeitnah mit entsprechenden Aktionen reagieren, wie der Schaltung von Warnmeldungen auf den digitalen Überkopfschildern zur Warnung nachkommender AutofahrerInnen, bis sich der Stau nach Räumung der Unfallstelle wieder aufgelöst hat. Intelligente Kontrollraum-Software unterstützt die OperatorInnen in dieser zeitkritischen Situationserfassung: Indem die Situationen von Interesse durch die räumlich-zeitlich-kausalen Beziehungen zwischen den umfassten Einzel-Ereignissen beschrieben werden (wie eben z.B. "Stau"-Ereignis tritt zeitlich und räumlich nach einem "Unfall"-Ereignis auf), können diese abstrakten "Situationsmodelle" in entsprechende Mustererkennungs- und Tracking-Regeln übersetzt werden. Anhand dieser Regeln können folglich die immensen Echtzeit-Datenströme, die in der Verkehrsleitzentrale ausgewertet werden müssen, automatisiert auf diesen Mustern entsprechende Ereigniskonstellationen gefiltert werden, um kritische Situationen zu erkennen, zu einem übersichtlichen Situationslagebild zu fusionieren, und deren weitere Entwicklung zu prognostizieren. Doch wie kommt die Kontrollraum-Software nun zu diesen Situationsmodellen? Die Regeln für derartige "Expertensysteme" werden üblicherweise von DomänenexpertInnen, wie z.B. den OperatorInnen, "von Hand" definiert. Die notwendige Abbildung dieses Fachwissens stellt jedoch einen zeitaufwändigen und mühsamen Prozess dar. Um dieses Problem zu lösen, untersuchte inSiTUEVO, ob derartige Situationsmodelle "induktiv" erstellt werden können, also aus bereits aufgezeichneten Daten "gelernt" werden können. Im Rahmen des Projekts wurde ein entsprechender "Situation Mining" Algorithmus entwickelt - ein spezifischer Data Mining-Ansatz zur automatisierten "Rekonstruktion" von Situationsmodellen aus aufgezeichneten Ereignisprotokollen. Somit können den DomänenexpertInnen also bereits konkrete Situationsmodelle vorgeschlagen werden, die diese ggf. adaptieren können, was den ExpertInnen den Aufwand abnimmt, jedes Detail von Grund auf modellieren zu müssen. Die entworfene formale Notation zur Beschreibung von sich entwickelnden Situationen lieferte weiters die Grundlage, um mittels Anpassung etablierter Sequenzvorhersagemodelle aus der maschinellen Sprachverarbeitung entsprechende Prognosemodelle zur Vorhersage der weiteren Evolution einer beobachteten Situation lernen zu können. Somit können diese Systeme die Entscheidungsprozesse der OperatorInnen anhand von Situationsprognosen auf Basis historischer Daten unterstützen. Diese entwickelten Forschungsansätze zielen darauf ab, die BenutzerInnen moderner Informationssysteme mittels geeigneter, auf menschliche kognitive Bedürfnisse abgestimmte Informationsfusions- und KI-Techniken darin zu unterstützen, adäquates Situationsbewusstseins (der kognitiven Grundlage für Entscheidungsprozesse) zu erlangen.