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, eine modulare Plattform zu schaffen, die einen einheitlichen Zugang zu Methoden des Maschinellen Lernens bietet – unabhängig von der konkreten technischen Implementierung. Neben dem Institut für KI-Sicherheit sind die DLR-Institute für Bauweisen und Strukturtechnologie, für Robotik und Mechanik, Werkstoff-Forschung, Fahrzeugkonzepte, Instandhaltung und Modifikation und Systemarchitekturen in der Luftfahrt beteiligt, um bis Dezember 2023 nicht nur einen funktionalen Prototypen, 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.

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, 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 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 den von Projektpartnern eingebrachten Anwendungsbeispielen abgeleitet werden. Das Thema Verifikation & Visualisierung behandelt die Darstellung der Ergebnisse, um die Interpretation der Modelle und Ergebnisse zu erleichtern und mögliche weitere Handlungsoptionen zu evaluieren. Insbesondere umfasst dies die Darstellung von Metriken und Kennzahlen, die Gegenüberstellung unterschiedlicher Algorithmen und die graphische Aufarbeitung, etwa in Form eines Dashboards.

Während der Projektlaufzeit werden fünf Anwendungsbeispiele exemplarisch auf ihre Anforderungen untersucht und die Anwendung des Frameworks getestet. Beispiel eins behandelt die Zusammenführung von Daten aus dem operativen Betrieb der Forschungsflugzeuge des DLR, etwa die Erkennung von Manövern. In Beispiel zwei untersucht unser Projektpartner die Identifikation von Produktanomalien bei der vollautomatischen additiven Fertigung. Die Charakterisierung von Werkstoffen mit nichtinvasiver Bildgebung und die Vorhersage von Materialeigenschaften ist Teil des dritten Beispiels. Inhalt der Beispiele vier und fünf sind die Aufbereitung von Triebwerkssimulationsdaten und die automatische Klassifizierung von Konfigurationen für neue Flugzeugkonzepte.