Explainable AI

In diesem Arbeitskreis sollen umfassende Beurteilungsgrundlagen zur Findung von bestgeeigneten und ggfls. neu zu entwickelnden Methoden der Erklärbarkeit auf Basis des Maschinellen Lernens erarbeitet werden. Somit soll sichergestellt werden, dass die zu entwickelnden Black-Box Modellierungen zur Auslegung von Wirkflächen von Umformsystemen menschenlesbare Erklärungen und Interpretationen berücksichtigen.

• Analyse des Anwendungspotentials bestehender ML-Modelle und -Methoden für umformtechnische Prozesse / Feature-Erkennung für die Erklärbarkeit oder Kongruenz zu bekannten physik. Modellen
• Ggfls. Weiter- und/oder Neuentwicklung von ML-Modellen und Modellierungstechniken
• Berücksichtigung von Erklärbarkeitsaspekten (xAI) zur Steigerung der Interpretierbarkeit von Black-Box Modellen
• In Teilprojekten entwickelte und eingesetzte Ansätze zur Erklärbarkeit von Modellprädiktionen, z. B. aufgrund bestimmter Merkmale von Zeitreihen, sind aller Voraussicht nach kontextübergreifend einsetzbar. Entsprechende Synergien sollen identifiziert und gezielt genutzt werden.
• Causal Inference
• Tutorial / Workshop zu unterschiedlichen Modellen
• Repository anlegen, sodass Daten während FÖP1 verfügbar sind
• Erarbeitung ggfls. Neuer Datenformate