Datenanalyse für vertrauenswürdige KI: Best Paper Award für Ilmenauer Wissenschaftler

Die datengetriebene Modellierung komplexer Zusammenhänge mittels künstlicher neuronaler Netze ist schon seit vielen Jahren erfolgreich im Einsatz und inzwischen auch im Alltag angekommen: Künstliche Intelligenz (KI) erkennt fehlerhafte Teile in der Produktion, liefert druckreife Übersetzungen und findet bei Streamingdiensten für jede Person den passenden Film. Doch stellt die maschinelle Erstellung von genauen, robusten und erklärbaren Modellen noch immer eine Herausforderung dar. Zwar werden in den Methoden der KI die grundlegenden Strategien des maschinellen Lernens entwickelt, also wie Eingangsdaten in Beziehung zu Ausgangsvariablen gesetzt werden, jedoch werden die zahlreichen Parameter eines Modells nicht explizit festgelegt. Stattdessen "lernt" der Algorithmus eigenständig die Parameter des Modells aus den bereitgestellten Daten und verbessert dadurch die Schätzungen der Zielvariablen kontinuierlich.

Blick in die Black Box

Diese Vorgehensweise führt zu immer präziseren Schätzungen, passenderen Empfehlungen oder genaueren Übersetzungen. Doch sind die Entscheidungen, die diese Verfahren eigenständig treffen, aufgrund des Black-Box-Charakters der Modelle selbst für Experten und Expertinnen nur schwer nachvollziehbar. Dies ist für viele Anwendungen wie Empfehlungssysteme auf Online-Plattformen oder Übersetzungsprogramme unkritisch. Insbesondere für sicherheitskritische Anwendungen, wie zum Beispiel in der Medizin, beim autonomen Fahren oder der Energietechnik, können intransparente, fehlerhafte KI-basierte Entscheidungen gravierende Auswirkungen haben.

Genau an dieser Stelle setzen die Methoden zur Datenanalyse an. In ihrer Arbeit untersuchten die Ilmenauer Wissenschaftler mithilfe von Beispielen aus der Energietechnik verschiedene Datenanalysemethoden, um die Leistung und Plausibilität der Berechnungsmodelle zu optimieren. Konkret konzentrierten sie sich auf die Berechnung der Leiterseiltemperatur, die Ermittlung von Netzverlusten sowie die Analyse der vertikalen Netzlast im Energieübertragungsnetz, das heißt der elektrischen Leistung, die vom Übertragungsnetz zu den Netzen der niedrigeren Ebenen und zu den Endverbrauchern geliefert wird.

Einfachere, bessere und nachvollziehbarere Lernmodelle

Durch den Vergleich verschiedener Filtermethoden als Teil der Datenanalyse zur Merkmalsauswahl waren die Wissenschaftler in der Lage, die bedeutsamen Eingangsvariablen für die Berechnung der Zielvariablen zu identifizieren. Diese Vorgehensweise reduzierte nicht nur die Komplexität der maschinellen Lernmodelle, sondern verbesserte auch deren Performance erheblich. Gleichzeitig führte sie zu einer erhöhten Plausibilität der maschinellen Lernverfahren. "Dies verdeutlicht nicht nur die Stärken und die Effektivität der Datenanalyse als Vorverarbeitungsschritt im maschinellen Lernen, sondern trägt auch zur Entwicklung vertrauenswürdiger und zuverlässiger Modelle bei“, betont Co-Autor und Fachgebietsleiter Prof. Peter Bretschneider:

Solche Modelle sind insbesondere in sicherheitskritischen Bereichen wie dem Energiesektor wie auch für zahlreiche weitere Anwendungsgebiete von hoher Relevanz.

Die erfolgreiche Durchführung dieser Arbeit wurde durch die Kooperation zwischen dem Fachgebiet Energieeinsatzoptimierung und der 50Hertz Transmission GmbH ermöglicht. Letztere stellte die erforderlichen Daten für die Untersuchungen zur Verfügung.

Die ITISE ist eine dreitägige Konferenz, die von der Universidad de Granada ausgerichtet wird und 2023 bereits zum neunten Mal stattfand. Sie dient als Diskussionsforum für die neuesten Ideen und Erkenntnisse im Bereich der Zeitreihenanalyse und -prognose – Themen, die für viele Fachbereiche äußerst relevant sind. Obwohl diese Disziplinen in ihren Anwendungen stark variieren, zeigen sie doch bemerkenswert ähnliche methodische Ansätze.

Über das Fachgebiet Energieeinsatzoptimierung

Das Fachgebiet „Energieeinsatzoptimierung“ erforscht, wie sich Strom, Gas und Wärme/Kälte unter Berücksichtigung der schwankenden Verfügbarkeit von Wind- und Solarenergie und energetischer Flexibilitäts- und Speicherpotenziale ökologisch und wirtschaftlich optimal bereitstellen und nutzen lassen.

Dafür untersucht und entwickelt es neue KI-basierte Methoden und Verfahren, um Energiebedarfe und fluktuierende Einspeisungen vorherzusagen, den Kraftwerkseinsatz und den Speicherbetrieb zu optimieren und die Energiebeschaffung optimal an die sich verändernden Rahmenbedingungen anzupassen.