Hybride KI mit Machine Learning und Knowledge Graphs

Klinische Studien sind für Forscher das wichtigste Mittel, um die Wirksamkeit und Sicherheit chirurgischer oder pharmazeutischer Behandlungsmethoden zu evaluieren. Die als Prüfer verantwortlichen Ärzte tragen erhebliche Verantwortung und müssen die Sicherheit der Studienteilnehmer sowie die wissenschaftlich korrekte Erhebung und Analyse der Daten gewährleisten. Solche Studien sind in der Regel datenintensiv und müssen ggf. Daten aus einer Vielzahl von Quellen und Formaten verarbeiten und verknüpfen. Dadurch ergibt sich für dieses Anwendungsfeld ein hoher Bedarf mit anspruchsvollen Anforderungen an Verfahren zur Datenintegration, -analyse und -abfrage.

In vielen Unternehmen sind im Laufe der Jahre umfangreiche Ablagestrukturen entstanden, die nachträglich in Vorgangsverwaltungs- und Dokumentenmanagementsysteme integriert werden sollen, um das enthaltene Wissen weiter nutzen zu können.

Ein effektives Wissensmanagement ist nach wie vor eine große Herausforderung für Unternehmen, gleich welcher Größe. Informationen, die die tägliche Arbeit innerhalb einer Organisation betreffen – seien es technisches Know-how, geschäftliche Abläufe oder Daten des Kundensupports –, sollen einfach wiederverwendbar und niederschwellig abrufbar sein. Dieses Themenfeld gewinnt angesichts wachsenden Fachkräftemangels massiv an Bedeutung und moderne, häufig softwaregetriebene Ansätze benötigen zugreifbare digitale Informationen. Dies ist – quer durch alle Branchen – notwendig, um im digitalen Zeitalter konkurrenzfähig zu bleiben.

Dieses Kapitel stellt die Entwicklung eines deutschen Wordnet dar. Abb. 5.1 zeigt die thematische Einordnung des Kapitels in das Gesamtkonzept des Buchs. Das Wordnet selbst stellt eine Technologie der Wissensrepräsentation dar. Wir nutzen u. a. neuronale Netze und Methoden aus dem Deep Learning, um Einträge für das Wordnet zu generieren. Als Inputdaten dienen Textdaten. Das entstandene Wordnet wird für die Textverarbeitung genutzt, die branchenübergreifend relevant ist.

Konventionelle semantische Suchverfahren basieren auf der Anwendung von symbolisch-repräsentiertem, terminologischen Wissen zur Verbesserung der Suchergebnisse. Hierzu werden in der Regel Oberbegriffe, Unterbegriffe, Synonyme oder verwandte Begriffe herangezogen, entweder um die Suchanfragen zu erweitern oder um die Dokumente mit Metadaten zu annotieren. Dieses terminologische Wissen über den Sprachgebrauch innerhalb von Unternehmen oder für spezialisierte Fachgebiete ist oft weder verfügbar noch formalisiert. Dieses Kapitel beschreibt ein neues Verfahren mit dem ähnliche Begriffe aus Dokumenten ermittelt werden können, die sowohl für die Demonstration des Nutzens semantischer Suche als auch für die Modellierung fach- bzw. unternehmens-spezifischer terminologischen Wissens verwendet werden können. Zusätzlich wird eine Methode zur Integration weiteren, terminologsichen Wissens dargestellt und erstmalig nachgewiesen, dass automatisch berechnete Begriffscluster die Semantik der Begriffe partiell erfassen. 

Künstliche Intelligenz (KI) und Landwirtschaft können inzwischen problemlos in einem Atemzug genannt werden. Spätestens seit dem Aufkommen des Digital Farming, also einer Landwirtschaft, die immer digitalisierter wird, finden auch Methoden Einzug, die in hohem Maße Daten verarbeiten können. Dabei spielt das datengetriebene Modellieren von pflanzlichen Prozessen eine wichtige Rolle.

Machine Learning (ML) ist in aller Munde als derzeit prominentestes Teilgebiet der künstlichen Intelligenz (KI). Zahlreiche ML-Anwendungen sind im täglichen Einsatz, von digitalen Assistenten über Entscheidungsunterstützungssysteme bis hin zu teilautonomen Fahrzeugen. Auch werden Datenanalysen in zahlreichen Unternehmen ML-basiert durchgeführt. Aber effektive und effiziente ML-Anwendungen zu entwickeln ist höchst anspruchsvoll und erfordert eine große Expertise.

Die Covid-19-Pandemie 2020 hat gezeigt, dass kurzfristige lokale oder längerfristige nationale Krisensituationen zu einer Aus- und Überlastung der intensivmedizinischen Behandlungskapazitäten führen können. Die aktuellen Entwicklungen im Pflegebereich, bei denen Pflegekräfte zur Mangelressource werden, schränken die postoperative Versorgung von Patientinnen und Patienten weiter ein. Auf der Basis einer klinischen Studie wurde untersucht, ob sich die Verweildauer von telemedizinisch betreuten Patienten mit Hilfe maschineller Lernverfahren vorhersagen lässt, um in Krisensituationen die Behandlungs- und Versorgungskapazitäten zu entlasten.

Die Dokumentenklassifikation ist eine typische Aufgabe des Natural Language Processing (NLP). Verfahren des maschinellen Lernens erfordern große Datenmengen, die in sensiblen Bereichen wie der Medizin oft nicht zur Verfügung stehen. Daher wäre die Wiederverwendung von bereits trainierten Klassifikationsmodellen hier besonders hilfreich. Allerdings ist dies aus Gründen des Datenschutzes in der Regel nicht möglich. Der vorgestellte Ansatz stellt sicher, dass Klassifikatoren keine personenbezogenen Daten nutzen. Durch die Verwendung von Ontologien können Klassifikatoren für verschiedene Domänen trainiert und dort ohne weitere Anpassung eingesetzt werden. Das Transfer-Lernen erfolgt sowohl durch direkte Übertragung als auch durch Anreicherung der Ontologie mit Begriffen aus der Zieldomäne. Ontologien dienen dazu, die Klassifikatoren an die Zieldomäne anzupassen, indem das Vokabular der Zieldomäne auf den Merkmalsraum des Klassifikators abgebildet wird.

Ein Anwendungsfall ist die Annotation von Patientenakten in Krankenhäusern mit ICD-Codes. Die Lösung ermöglicht die Anpassung an die Fachsprache des jeweiligen Krankenhauses sowie die Konformität mit der DSGVO.

Angetrieben durch den Aufschwung der künstlichen Intelligenz, die Veränderung der Industrie, bedingt durch die Digitalisierung und den Klimawandel, befindet sich auch die verarbeitende Industrie in einem starken Umbruch. Dabei spielen intelligente, sichere und vollautomatisierte Produktionssysteme eine entscheidende Rolle. Fehler innerhalb solch eines komplexen Systems können sich auf den gesamten Prozess auswirken und in einem beschädigten Produkt, einem Ausfall der Produktion oder in einer Verschleppung des Fehlers durch das gesamte System resultieren. Anomalien können hierbei als mögliche Fehlerindikatoren dienen. Durch die frühzeitige Erkennung von Anomalien besteht die Chance, rechtzeitig auf diese zu reagieren, um so eine Entstehung oder die Übertragung eines Fehlers auf die gesamte Produktion zu verhindern. Eine effektive Anomaliedetektion ermöglicht es daher einen fehlerfreien Produktionsprozess zu realisieren und ist damit für die Entwicklung von intelligenten und sicheren Produktionssystemen essenziell. Um eine vollständige Anomaliedetektion zu realisieren, muss nicht nur die Erkennung von Anomalien in jedem integrierten Gerät garantiert werden, sondern auch innerhalb der Produkte, der Interaktionen und Abhängigkeiten und in den globalen Zuständen des Systems. Basierend auf den reinen Daten, welche von dem Produktionssystem geliefert werden, ist dies kaum möglich, weshalb externes Wissen über das System in die Anomaliedetektion mit einbezogen werden muss.

Die Bewältigung von Naturkatastrophen, Pandemien und Großschadensereignissen erfordert vielfältige Maßnahmen, die zu einer Aktivierung von Feuerwehr, Rettungsdienst und anderen Behörden und Organisationen mit Sicherheitsaufgaben (BOS) führen. Die BOS reagieren hierbei oftmals auf Notrufe, die Bürgerinnen und Bürger bspw. unter der europaweiten Notrufnummer 112 absetzen. Entgegengenommen werden diese Notrufe durch Disponenten, die initial durch die Notsituation begleiten und eine angemessene Alarmierung von Einsatzkräften einleiten.

Im sich rasch entwickelnden Bereich des autonomen Fahrens ist es entscheidend, hohe Leistung, Erklärbarkeit und regelkonforme Entscheidungsfindung gleichzeitig zu erreichen, für Sicherheit, Nutzerakzeptanz und rechtliche Haftung der Hersteller. Ansätze auf Basis von Deep Learning haben ihre Wirksamkeit in verschiedenen Aufgaben unter Beweis gestellt, doch sie scheitern oft, wenn es um Interpretierbarkeit und Legalität geht. Im Gegensatz dazu haben regelbasierte Ansätze, die zusätzliche Erklärbarkeit und Nachvollziehbarkeit bieten, Schwierigkeiten, mit verrauschten, unsicheren und großen Daten in hochdynamischen Verkehrsszenen in einer Vielzahl von Szenarien umzugehen.

Das Kapitel beschäftigt sich mit den Herausforderungen und Möglichkeiten von hybriden KI-Ansätzen im juristischen Umfeld. Es stellt die Anforderungen an KI-Anwendungen in dieser Domäne dar, wie z. B. die Erklärbarkeit, die Transparenz und die Kontextualisierung von Informationen. Es zeigt, wie Wolters Kluwer verschiedene Technologien wie Wissensgraphen, maschinelles Lernen und natürliche Sprachverarbeitung kombiniert, um innovative Lösungen für die juristische Recherche, die Dokumentenerstellung und die Interaktion zu entwickeln. Es präsentiert eine Reihe von Anwendungsfällen, wie z. B. Legal Analytics, Argumentextraktion und Chatbots, und erläutert die zugrunde liegenden Methoden und Best Practices. Es gibt auch einen Ausblick auf zukünftige Entwicklungen und die Rolle von KI als gesellschaftliche Herausforderung. Das Kapitel gibt einen Überblick über die verschiedenen Anwendungsfälle von KI im juristischen Bereich, einschließlich der Klassifikation, Extraktion, des Clustering und der Analyse von Daten. Darüber hinaus werden die Vorteile eines hybriden Ansatzes, der sowohl maschinelles Lernen als auch Wissensgraphen nutzt, erläutert.

Das Training von Modellen des maschinellen Lernens (ML) erfordert viele annotierte Trainingsdaten und ist ein Hauptkostentreiber für neue KI-Anwendungen, insbesondere im Deep Learning für die Objekterkennung. Die Kombination von statistischen und regelbasierten Verfahren bietet erhebliche Einsparpotenziale. Subsymbolische KI-Ergebnisse können mit Kontextmodellen angereichert werden, was die Wiederverwendung von ML-Modellen ermöglicht. Labels können durch Anpassung der Ontologie neu interpretiert werden, oft genügen kleine individuelle Modelle, die mit bestehenden kombiniert werden.Im besten Fall können frei verfügbare Erkennungsmodelle verwendet werden, wodurch das Training neuronaler Netze entfällt. Das folgende Kapitel zeigt Anwendungsarchitekturen und Einsparpotentiale dieser Technologiekombination auf.

In diesem Beitrag befassen wir uns mit der Entscheidung zur Zulassung von potenziellen Studierenden zu einem Studiengang. Die Anwendung steht stellvertretend für Entscheidungen, bei denen aufgrund von vorgegebenen Kriterien einigen Menschen der Zugang zu Gütern und Dienstleistungen gewährt und anderen verweigert wird. Weitere Beispiele sind die Gewährung von Beihilfen wie Sozialhilfe oder Stipendien, die Vergabe von Krediten, der Anspruch auf eine medizinische Behandlung oder die Vergabe von Fördermitteln.