Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Extraktion von Erklärungen zu Produktionsprozessen aus künstlichen Neuronalen Netzen

 
: Huber, Marco; Schaaf, Nina

Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e.V. -bitkom-:
Blick in die Blackbox. Nachvollziehbarkeit von KI-Algorithmen in der Praxis
Berlin: BITKOM, 2019
S.62-72
Deutsch
Aufsatz in Buch
Fraunhofer IPA ()
Künstliche Intelligenz; künstliches neuronales Netzwerk; Entscheidungsbaum; Fertigungsprozess; Explainable Artificial Intelligence (XAI)

Abstract
Ein Hindernis das bisher, vorwiegend in kritischen Anwendungdomänen, die Einführung maschineller Lernmodelle verhindert, ist deren mangelnde Erklärbarkeit. In diesem Beitrag wird ein praktikabler Ansatz zur Gewinnung von Erklärbarkeit von tiefen künstlichen neuronalen Netzen am Beispiel eines Anwendungsfalls aus dem Tiefdruck vorgestellt. Im vorliegenden Fall wird Erklärbarkeit mit Hilfe eines interpretierbaren Stellvertretermodells auf der Basis von Entscheidungsbäumen erreicht. Der Einsatz einer L1-orthogonalen Regularisierung während des Trainings des neuronalen Netzes führt dazu, dass aus dem Netz extrahierte Entscheidungsbäume eine geringe Größe und mit hoher Wiedergabetreue haben und somit gut verständlich sind.

: http://publica.fraunhofer.de/dokumente/N-577908.html