08.11.2024
Das BMBF fördert zwei neue Verbundprojekte mit LMU-Beteiligung. Eines lehrt KI-Modelle kausale Zusammenhänge, das andere verfeinert die taktilen Fähigkeiten von Robotern.
Prof. Stefan Feuerriegel | © LMU
Aktuell verfügbare Machine-Learning-Modelle basieren typischerweise auf Korrelationen, aber nicht auf Kausalität. Anders ausgedrückt: Sie erstellen ihr Ergebnis anhand von Wahrscheinlichkeiten, ohne dabei wirkliche Zusammenhänge erkennen zu können. Das kann zu Fehlern und letztendlich schlechter Performance führen. ChatGPT, zum Beispiel, spuckt deswegen gelegentlich Antworten aus, die zwar schön klingen, aber inhaltlich unsinnig oder falsch sind. Auch in der medizinischen Anwendung ist das Potenzial von Künstlicher Intelligenz dadurch begrenzt, dass die Programme keine kausalen Zusammenhänge herstellen können. Mit einem Modell, das Ursache und Wirkung miteinander verknüpft, könnte man gezieltere Therapieentscheidungen treffen. Ähnliches gilt für Anwendungsbereiche in Wissenschaft, Wirtschaft und öffentlichem Sektor.
Das neue, vom Bundesministerium für Bildung und Forschung (BMBF) mit fast zwei Millionen Euro geförderte Verbundprojekt CausalNet hat es sich zum Ziel gesetzt, innerhalb von drei Jahren eine neue Generation Maschinellen Lernens auf den Weg zu bringen. „Wir wollen neuartige Methoden zur Integration von Kausalität in Machine-Learning-Modelle entwickeln“, sagt Professor Stefan Feuerriegel. Er ist Leiter des Institute of Artificial Intelligence (AI) in Management der LMU und Sprecher von CausalNet. Um das Prinzip von Ursache und Wirkung in künftige KI-Modelle zu integrieren, arbeitet Feuerriegel im Verbund mit Expertinnen und Experten von Helmholtz AI, der Technischen Universität München (TUM), dem Karlsruher Institut für Technologie sowie der Economic AI GmbH zusammen.
In den nächsten drei Jahren werden wir Maschinelles Lernen auf ein neues Level heben und KI-Anwendungen flexibler, effizienter und robuster machen.Stefan Feuerriegel
Die einzigartigen Herausforderungen des kausalen Maschinellen Lernens in hochdimensionalen Umgebungen will das Team mithilfe von Werkzeugen aus dem Repräsentationslernen, der Theorie der statistischen Effizienz und spezifischen maschinellen Lernparadigmen bewältigen. „Darüber hinaus werden wir die Effektivität und Robustheit unserer Methoden mit theoretischen Ergebnissen herleiten“, so KI-Experte Feuerriegel. Dies sei wichtig, um die Zuverlässigkeit der vorgeschlagenen Methoden sicherzustellen. „Dann bringen wir kausales Maschinelles Lernen in die reale Anwendung und demonstrieren den konkreten Nutzen für die Wirtschaft, den öffentlichen Sektor und wissenschaftliche Entdeckungen.“
Die praktische Nutzung und Weiterentwicklung will CausalNet weiter fördern, indem es die entwickelten Softwares, Tools und Ergebnisse nach dem Opern-Source-Prinzip öffentlich zugänglich macht. „In den nächsten drei Jahren werden wir Maschinelles Lernen auf ein neues Level heben und KI-Anwendungen flexibler, effizienter und robuster machen“, sagt Feuerriegel.
Prof. Gitta Kutyniok | © LMU
Das zuverlässige Greifen und Manipulieren beliebiger Objekte ist eine der zentralen Herausforderungen in der Robotik, von Anwendungen in der Produktion bis hin zum Einsatz in der Medizin. In diesem Kontext sind Regelungsverfahren, die den Griff dynamisch anpassen, noch weitgehend unerforscht. „Diese setzen eine zielgerichtete Vorhersage der Auswirkungen einer Interaktion des Roboters mit seiner Umwelt voraus, was in diesem Projekt durch generative KI erreicht werden soll“, erklärt Professorin Gitta Kutyniok, Inhaberin des Lehrstuhls für Mathematische Grundlagen der Künstlichen Intelligenz an der LMU. Nur so kann sich ein Roboter flexibel, resilient und effizient an Änderungen in der Umgebung, beim zu greifenden Objekt oder in der Aktivität selbst anpassen. „Roboter können dann zum Beispiel unmittelbar reagieren, wenn ein Objekt aus der Hand zu gleiten droht“, sagt Professor Björn Ommer vom Lehrstuhl KI für Computer Vision und Digital Humanities/die Künste.
Eine solche Regelung erfordert nicht nur visuelle und taktile Sensorik, die Kontakt- und Scherkräfte erfassen kann, sondern auch entsprechende multimodale Modelle aus der Künstlichen Intelligenz (KI), die sensorische Informationen aus mehreren komplementären Quellen integrieren und interpretieren können. Genau hier setzt das Forschungsvorhaben GeniusRobot an, an dem die Arbeitsgruppen von Gitta Kutyniok und Björn Ommer LMU-seitig beteiligt sind. Zu den Projektpartner-Institutionen zählen außerdem die Technische Universität Nürnberg und die Technische Universität Dresden.
Unser Ziel ist die Entwicklung neuer, interpretierbarer KI-Modelle, mit denen Methoden aus dem Bereich der generativen KI für die Erzeugung von taktilen Informationen aus Bilddaten in der Robotik nutzbar gemacht werden.Gitta Kutyniok
Prof. Björn Ommer | © Ansgar Pudenz | Deutscher Zukunftspreis
„Unser Ziel ist die Entwicklung neuer, interpretierbarer KI-Modelle, mit denen Methoden aus dem Bereich der generativen KI für die Erzeugung von taktilen Informationen aus Bilddaten in der Robotik nutzbar gemacht werden“, erklärt KI-Expertin Kutyniok. Zur Planung von Greifbewegungen sollen so taktile Sensordaten aus Kameradaten vorhergesagt werden. „Umgekehrt werden diese Vorhersagen mit einem weiteren generativen Modell wieder in Kamerabilder zurückgerechnet, sodass die Veränderungen von Objekten durch die Bewegungen und Manipulationen des Roboters direkt visualisiert werden können“, ergänzt KI-Forscher Ommer. Dies ermögliche auch die Manipulation von verdeckten Objekten, die nur teilweise mit der Kamera erfasst werden können.
Ein wesentlicher Entwicklungsschwerpunkt liegt auf der Interpretierbarkeit der Modelle, die für den Einsatz von generativer KI in sicherheitskritischen Umgebungen unerlässlich ist. Perspektivisch erschließen die Ergebnisse damit auch neue Einsatzszenarien in der automatisierten Fertigung und Mensch-Maschine-Interaktionen und liefern neue wissenschaftliche Erkenntnisse im Bereich sicherer und multimodaler KI.