Zuverlässigkeit von Machine Learning-Verfahren im industriellen Umfeld

logo

Gefördert durch: Siemens AG
Ansprechpartner am Lehrstuhl: Andreas Sedlmeier, Thomy Phan, Fabian Ritz, Thomas Gabor

Das Projekt „Zuverlässigkeit von Machine Learning-Verfahren im industriellen Umfeld“ beschäftigt sich mit Fragestellungen zum
sicheren Einsatz von aktuellen ML-Verfahren. Neue komplexe Anwendungsszenarien wie autonome Fertigungsanlagen oder die dezentrale
Stromerzeugung sind nur noch durch lernende Systeme zu realisieren, deren Verlässlichkeit und Sicherheit jedoch zu jedem Zeitpunkt
sichergestellt werden muss. Die Verlässlichkeitsprüfung solcher adaptiven, cyber-physischen Systeme stellt aktuell noch eine große
Herausforderung dar. So ergeben sich verschiedene Fragestellungen rund um die Dependability solcher ML-basierter Anwendungen, wie z.B. der korrekte Umgang mit Unsicherheit in den statistischen Vorhersagen, Möglichkeiten zum flexiblen, adaptiven Testen und zur Laufzeitüberwachung der vom System getroffenen Entscheidungen. Ebenso wird es notwendig klassisch definierte Sicherheitsanforderungen in eine für das lernende System verständliche Struktur zu übersetzen. Ziel ist stets, die durch die aktuellen KI-Methoden erzielbare Flexibilität der Systeme vollständig zu nutzen, ohne jedoch Abstriche bei der Sicherstellung der Verlässlichkeit machen zu müssen.
Das Projekt wird in Kooperation mit der Siemens AG durchgeführt.