ReBar

Die zunehmende Verbreitung maschinellen Lernens eröffnet ein enormes Entwicklungspotential in den unterschiedlichsten Anwendungsgebieten – etwa Ingenieurwesen, Verkehr und Medizin. Inzwischen steht eine breite Palette an Methoden zur Verfügung mit einer unübersichtlichen Vielfalt an Umsetzungen. Die Projektpartner in Reducing Barriers for AI in (applied) Research – ReBAR haben sich zum Ziel gesetzt, den Zugang zu Methoden des maschinellen Lernens zu vereinfachen. Wir schaffen eine modulare Plattform, die unabhängig von der konkreten technischen Implementierung funktioniert. Neben dem Institut für KI-Sicherheit sind die DLR-Institute für Bauweisen und Strukturtechnologie, für Robotik und Mechanik, Softwaretechnologie, Werkstoff-Forschung, Fahrzeugkonzepte, Instandhaltung und Modifikation und Systemarchitekturen in der Luftfahrt beteiligt, um bis Juni 2024 nicht nur die Kernfunktionen umzusetzen, sondern auch die Keimzelle einer Anwendercommunity im DLR zu schaffen.

Entwicklung einer modularen Plattform zum zugänglichen Einsatz von Maschinellem Lernen für ein breites Anwendungsspektrum

Die Idee hinter ReBAR ist simpel: Der gesamte Arbeitsprozess von den Rohdaten bis zur Evaluation und Verifikation der Ergebnisse soll in einer einzigen Umgebung stattfinden. Abhängig von den konkreten Datensätzen und der Forschungsfrage werden in der Umgebung passende Methoden als Modul geladen. Die einzelnen Module sind mit standardisierten Schnittstellen verknüpft und erlauben so die unkomplizierte Ergänzung des methodischen Portfolios. Durch die Containerisierung der Umgebung ist ReBAR auf unterschiedlichsten Geräten lauffähig.

Diese Herangehensweise bietet für Anwenderinnen und Anwender entscheidende Vorteile. Sie erlaubt die volle Konzentration auf inhaltliche Fragestellungen ohne tiefgreifende Einarbeitung in die technischen Feinheiten der Umsetzung und unterstützt durch eine umfangreiche Dokumentation. Der Vergleich unterschiedlicher Methoden und die Abschätzung der Verlässlichkeit der jeweiligen Modelle lässt sich innerhalb derselben Umgebung durch die Wahl unterschiedlicher Module realisieren. Damit wird die Einstiegshürde in die Entwicklung von KI-Anwendungen reduziert und maschinelles Lernen lässt sich schnell und unkompliziert in angewandten Projekten ausrollen. Auch Entwickler und Entwicklerinnen profitieren von der einheitlichen Definition der Module: Neue Methoden, die mit Schnittstellen für das ReBAR-System entwickelt werden, lassen sich sofort in Arbeitsabläufe integrieren und erfahren eine schnelle Verbreitung in der Anwendercommunity.

Beitrag Institut KI-Sicherheit

Der Beitrag unseres Instituts umfasst die beiden Schwerpunkte Definition der Architektur und Verifikation & Visualisierung. Somit sind unsere Wissenschaftlerinnen Und Wissenschaftler direkt am Aufbau der modularen Struktur beteiligt und definieren Schnittstellen und Umfang der entwickelten Module. Dabei achten sie insbesondere auf die Anwenderanforderungen, die aus Anwendungsbeispielen aus verschiedenen Instituten abgeleitet werden. Wir fokussieren uns auf die Auswertung der Ergebnisse und deren Darstellung in Form eines Dashboards. Dies ermöglicht eine Interpretation der Modelle und Ergebnisse und ermöglicht die Evaluation weiterer Handlungsoptionen. Insbesondere stellen wir Metriken und Kennzahlen dar, die einen Vergleich unterschiedlicher Modelle und Methoden erlauben.

Bereits während der Projektlaufzeit werden fünf Anwendungen implementiert und als Beispiele zur Verfügung gestellt. Die Anwendungen umfassen die Untersuchung von Flugdaten, die Charakterisierung von Werkstoffen und Identifikation von Anomalien, sowie die Aufbereitung von Simulationen für Triebwerke und die Konfigurationen für neue Flugzeugkonzepte. Die ReBAR-Umgebung wird außerhalb des Projekts auf weitere Anwendungen ausgeweitet. Beispielsweise ist die Integration von Quanten-KIs und Benchmarks aus dem Projekt Quant²AI geplant.