Entwicklung kooperativer AutoML
Maschinelles Lernen (ML) ist in aller Munde, doch in der Praxis müssen oft Einzelpersonen den in der Regel hochkomplexen Entwicklungsprozess stemmen. Dabei bleiben oft Synergien ungenutzt, und Aspekte die andere Partner*innen einbringen könnten bleiben unbeachtet. Kooperatives Automatisches ML kann dabei helfen Data Scientists, Domänenexpert*innen und andere Stakeholder zusammenzubringen, und damit besser abgestimmte Ergebnisse zu erzielen. Ethikaspekte und Fairness werden damit besser umsetzbar, denn entsprechende Fachkräfte sind direkt in den Modellierungsprozess eingebunden. Auch ist die Skalierung auf letztendlich größere Teams besser möglich.
Es wurden neuartige Modelle entwickelt, die durch ihre Erklärbarkeit stärker integrierte Kollaboration ermöglichen. Beispiele sind die multivariate Zeitreihenmodellierung mit extrahierten Abhängigkeitsstrukturen (WSPN), erklärbare und vertrauenswürdige Prognosen für Nutzer*innen (PWN) sowie verlässlicherere Vorhersagen von nachvollziehbaren probabilistischen Modellen (TDI). Auch beim Training probabilistischer Modelle mit domänen-gerechter Evaluation durch Differenzierbares Sampling und beim automatischen Lernen tiefer Strukturen für probabilistische Regressionsmodelle (MOMoGP) konnten wir neue Wege aufzeigen, Expert*innenwissen in den Modellierungsprozess einzubinden.
Letztendich soll neben dem Erkunden der notwenigen Grundlagen auch stehts die Anwendbarkeit der Kollaboration in der Praxis demonstriert werden. Dies konnten wir im Kontext von Windenergieerzeugung mit den Ingineur*innen beim Virtual Met Masts von Fraunhofer IWES und der Auswertung von Verkaufsdaten mit der German Management Consulting GmbH eindrucksvoll zeigen.
Zielstellung
Die nächsten Schritte wären die Organisation mehrerer Workshops, z. B. zu den Themen „Von probabilistischen Schaltkreisen zu AutoML“ und „Vertrauenswürdigkeit und Ungewissheit, Kombination von KI und Messtheorie“, sowie die weitere Organisation der EP3/4-Seminare. Wir arbeiten auch daran, Probabilistic Circuits (PCs) für AutoML-Aufgaben wie die neuronale Architektursuche (NAS) und die Hyperparameteroptimierung (HPO) zu nutzen.