Drei Fragen an Dr. Burim Ramosaj

Dr. Ramosaj, KI und Maschinelles Lernen ist „in“. Welche ungelösten Problemstellungen interessieren Sie in Ihrer Forschung?

Ramosaj: KI und Maschinelles Lernen ermöglichen die Verarbeitung von riesigen Datenmengen, die sehr komplex sein können. Viele Abläufe – zum Beispiel in der Logistik – können so weiter optimiert werden, insbesondere wenn es um die Interaktion von Mensch und Maschine geht. In der Anwendung gibt es aber noch Forschungsbedarf. So kann man beispielsweise Algorithmen für Maschinelles Lernen dazu nutzen, um riesige Datenmengen zu reduzieren und nur wichtige Informationen herauszufiltern. Hier fehlen jedoch noch Methoden, um nachzuweisen, dass bestimmte Teildatensätze mit einer gewissen Wahrscheinlichkeit tatsächlich berücksichtigt werden. Da es dafür noch keine Garantie gibt, spricht man hier häufig noch von „Black-Box-Verfahren“.

Wo werden solche Verfahren in der Praxis eingesetzt?

In der Waren- und Förderlogistik wird etwa am Standort Dortmund zum Thema „Intelligente Lagersysteme“ geforscht. Da ist der Bereich für Förder- und Lagerwesen in Zusammenarbeit mit dem Fraunhofer-Institut für Materialfluss und Logistik (IML) sehr aktiv. Dabei geht es um die Steuerung von ganzen Schwärmen an Drohnen, die beim Transport von Waren innerhalb und außerhalb des Lagers behilflich sein und somit das Warenlieferungssystem effizient mitgestalten können. Maschinelle Lernverfahren können in diesem Fall helfen, die Steuerung des Drohnenschwarmes auch dezentral zu ermöglichen. Dabei werden auch hier riesige Datenmengen gesammelt, die für gewisse Steuerungsabläufe jedoch nicht alle relevant sind. Eine Verschlankung solcher Datenstrukturen würde zur Folge haben, dass Sensoren oder Informationen überflüssig werden. Ferner ermöglichen Maschinelle Lernverfahren auch, die enge Interaktion solcher Drohnen mit Menschen im Lager gezielt zu modellieren. Wir können mit unserer Forschung hier gezielt helfen, indem wir unsere Methoden zur Verfügung stellen. Ingenieurinnen und Ingenieure wären dann in der Lage, mit bestimmten Gewissheitsansprüchen ihre Datenstrukturen so zu verschlanken, dass die benutzten Algorithmen schneller, besser und kosteneffizienter sind. Unsere Anwendung muss sich nicht auf den Bereich der Logistik beschränken. Es gibt ganz unterschiedliche Anwendungsfelder, wie z.B. auch in der Bio-Medizin.

Wie gehen Sie Ihr Projekt konkret an?

Die Förderung des Landes ist auf zwei Jahre angelegt. In einem ersten Schritt will ich erforschen, wie die Unvoreingenommenheit des „Random-Forest-Verfahrens“ sichergestellt werden kann. Dafür benötige ich valide statistische Tests. Das Ergebnis soll die Entwicklung einer entsprechenden Testtheorie sein, mit der sich wichtige Variablen in einer bereits existierenden Machine-Learning-Methode robust und zuverlässig bestimmen lassen. Kooperationen mit Kolleginnen und Kollegen, insbesondere aus den USA, werden zudem den Standort Dortmund gut vernetzen. Ich erhoffe mir, dass die Fragestellung zentrale Antworten liefern wird, wie man Black-Box-Prozedere aus der KI interpretierbar macht, sodass aus der „Black“ Box eine „Known“ Box wird. Im zweiten Schritt gehe ich dann konkrete Anwendungen an – zum Beispiel in der Logistik, aber auch der Bioinformatik oder bei medizinischen Themen wie Covid-19. Bei dem Virus ist noch vieles unerforscht, die möglichen Auswirkungen auf den Menschen ebenso wie seine Genstruktur. Hier kann ganz maßgeblich sein, große Datensätze mit empirischer Evidenz bei zugleich komplexer Struktur zu reduzieren. Da könnten wir mit unserer Methodik gezielt helfen.

Zurück