Forschung

In diesem Projekt werden neuartige Szenarien getestet und bewertet und es wird daran gearbeitet, wie man den "gesunden Menschenverstand" in Roboter einbringen kann. Der verfolgte Ansatz ist "Human-in-the-Loop", der die Vorteile menschlicher Experten mit den Vorteilen der KI kombiniert. Konkret werden in diesem Projekt Einsatzszenarien von Robotern in der Forsttechnik getestet und evaluiert und neue Einsatzszenarien vorgestellt. Die Neuartigkeit dieses Ansatzes ermöglicht es uns, Grundlagen in Bezug auf Anforderungen, Herausforderungen und zukünftige Möglichkeiten im Umgang mit solchen Systemen zu erforschen und so den Weg für fortgeschrittenere Grundlagenprojekte oder Anwendungen zu ebnen. Konkret soll dieses Projekt zu einer Reihe von internationalen Veröffentlichungen und einer Infrastruktur führen um die Grundlagen für den Einsatz zukünftiger KI-Technologien zu erforschen und zu testen und sie in der Lehre anzuwenden. Schließlich könnte auch der entstehende Roboter-Testpark in Tulln - neben dem neuen Haus der Digitalisierung - ein breites Interesse an dem Thema wecken. Die Forschungsmethodik folgt einem 3G-Pionier-Forschungsansatz mit agilem, menschenzentriertem Design: Generation 1 Erprobung bestehender Technologie, Generation 2 Anpassung bestehender Technologie mit kostengünstigen Mitteln, Generation 3 fortgeschrittene Anpassung, die über den Stand der Technik hinausgeht und gemeinsam mit unseren Partnern in Kanada und Großbritannien - weltweit führenden Robotikinstituten - geplant ist. Die durch diesen Vorschlag finanzierte Infrastruktur wird bestehenden Projekten dienen und soll neue, größere Projekte (z.B. in der EU) anspornen. Ein Mehrwert ist auf drei Ebenen geplant: 1) für die internationale KI-Forschungsgemeinschaft durch Publikationen, 2) für das Land Niederösterreich durch a) spätere praktische Anwendungsmöglichkeiten und b) als wichtiger Beitrag zur Lehre und zur Steigerung der Attraktivität der KI-Ausbildung für junge Forscher, um dem Arbeitskräftemangel in der KI entgegenzuwirken.

In den letzten 20 Jahren sind zahlreiche Wegpflegegeräte auf den Markt gekommen. Die leicht zu bedienenden hydraulischen Anbaugeräte für Traktoren versprechen eine gute und kostengünstige Forststraßeninstandhaltung. Je nach Wegpflegegerät sind vier bis fünf Pflegedurchgänge während der Monate April bis September erforderlich, um die Dauerhaftigkeit, den Fahrkomfort und die Verkehrssicherheit der Forststraßen aufrechtzuhalten. Der konsequente Einsatz kann das Intervall einer größeren Instandsetzungsmaßnahme deutlich erweitern. Es spricht Vieles für die Instandhaltung des Forststraßennetzes mittels Wegpflegegeräten, doch hinsichtlich der technischen Funktionalität von Forststraßen gibt es auch Bedenken. Mangelnde Erfahrung der Maschinisten oder kein konsequenter Einsatz können sich nachteilig auf die Deckschicht auswirken. Gründe dafür sind, dass ungewünschtes Material in den Fahrbahnaufbau gelangt oder, dass die meist kombinierten Deck-Trag-Schichten aufgerissen werden und es somit zu Verdichtungsproblemen kommt. Nach dem Einsatz eines Wegpflegegerätes sind die Straßenerhalter des Öfteren mit Beschwerden von Erholungssuchenden im Wald konfrontiert. Die Überlegung ob eine Forststraße für Pflegeaktivitäten mittels Anbaugeräten geeignet ist, beziehungsweise wie eine Forststraße instandgesetzt werden muss, um die Tauglichkeit von Wegpflegegeräten zu gewährleisten, sollt als Ziel dieses Projekts betrachtet werden.

Die Fortschritte bei den statistischen Methoden des maschinellen Lernens haben die KI immer erfolgreicher gemacht. Deep Learning übertrifft die menschliche Leistung sogar im medizinischen Bereich. Ihr volles Potenzial wird jedoch durch die Schwierigkeit begrenzt, zugrundeliegende Erklärungsstrukturen zu generieren, so dass es ihnen an einer expliziten deklarativen Wissensrepräsentation fehlt. Eine Motivation für dieses Projekt sind die zunehmenden rechtlichen und datenschutzrechtlichen Fragen - maschinelle Entscheidungsprozesse zu verstehen und nachzuvollziehen. Transparente Algorithmen könnten das Vertrauen von medizinischem Fachpersonal stärken und damit die Akzeptanz von KI-Lösungen generell erhöhen. Dieses Projekt wird wichtige Beiträge für die internationale Forschungsgemeinschaft in folgender Weise liefern: 1) Evidenz in verschiedenen Methoden der Erklärbarkeit, Muster der Erklärbarkeit und Messungen der Erklärbarkeit. Basierend auf empirischen Studien ("Wie erklären Menschen?") werden wir eine Bibliothek von Erklärungsmustern und eine neuartige Grammatik entwickeln, wie diese kombiniert werden können. Schließlich werden wir Kriterien/Benchmarks für Erklärbarkeit definieren und Antworten auf die Frage "Was ist eine gute Erklärung?" geben. 2) Prinzipien zur Messung der Effektivität von Erklärbarkeit und Erklärbarkeitsrichtlinien und 3) Mapping des menschlichen Verständnisses mit maschinellen Erklärungen und Einsatz eines offenen Erklärungsrahmens zusammen mit einer Reihe von Benchmarks und offenen Daten, um weitere Forschung in der internationalen KI/Maschinenlerngemeinschaft anzuregen und zu inspirieren. Alle Ergebnisse dieses Projekts werden der internationalen Forschungsgemeinschaft offen zugänglich gemacht.