Mit einem neuartigen Ansatz zum maschinellen Lernen setzt ein Forscherteam am Fraunhofer IAIS neue Standards. Ihre Idee: Sie verknüpfen das Wissen von Experten mit der Lernfähigkeit einer KI, wodurch die Leistungen von Analysen erhöht werden können. Ein erster Praxistest zu Umweltbedingungen beim Pflanzenwachstum brachte dem Team und seinen Partnern nun den ersten Platz bei der Syngenta Crop Challenge. Im Interview erklärt Teamleiter Dr. Jannis Schücker das Prinzip des »Informed Machine Learning«.

Hallo Herr Dr. Schücker, viele Meteorologen befürchten einen heißen und vor allem trockenen Sommer. Für die Landwirtschaft können Entwicklungen wie diese ernsthafte Konsequenzen für die Produktion von Nahrungsmittel haben. In anderen Ländern rund um den Globus wirken sich Veränderungen der Umweltbedingungen sogar noch gravierender aus. Sollten wir Nutzpflanzen anbauen, die der veränderten Situation besser angepasst sind?

Definitiv!  Dafür müssen wir allerdings zunächst herausfinden, welche Pflanzenarten am besten mit den sich ändernden Umweltbedingungen, wie zum Beispiel großer Trockenheit, auskommen – diese Frage ist der Kern unserer Arbeit.

Sie setzen bei der Suche auf wissenschaftliche Methoden, die menschlichem Wissen mit der Leistungsfähigkeit künstlicher Intelligenz kombinieren. Gemeinsam mit ihrem Team aus dem »Fraunhofer-Forschungszentrum Maschinelles Lernen« des Fraunhofer-Instituts für Intelligente Analyse- und Informationssysteme IAIS und Wissenschaftlern des »Exzellenzcluster Phenorob« der Universität Bonn haben Sie ein Verfahren entwickelt, wie Umweltbedingungen in der Landwirtschaft und deren Auswirkung auf das Pflanzenwachstum ermittelt werden können. Mit Ihrer Arbeit zur »combining expert knowledge and neural networks to model environmental stresses in agriculture« haben Sie den ersten Platz bei der Crop-Challenge in Analytics des Agrar- und Chemieunternehmens Syngenta gewonnen…

… Was uns natürlich gefreut hat. Nicht zuletzt, weil wir so unseren neuartigen Ansatz auch einer etwas breiteren Öffentlichkeit vorstellen können. Zudem sind die Agrarwissenschaften für uns von besonderem Interesse, das menschliche Wissen ist immens und beruht auf jahrhundertelanger Forschung. Dieses Wissen mit modernen Methoden des maschinellen Lernens zu kombinieren, ist spannend!

Zwei der insgesamt vier Gewinner der diesjährigen Syngenta Crop Challenge: Kostadin Cvejoski (2. v.l.) und Dr. Bogdan Georgiev (3.v.l.) vom Fraunhofer-Forschungszentrum Maschinelles Lernen am Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS. Nicht im Bild: Dr. Dr. Jannis Schücker und Cesar Ojeda. Bild: Justin Elledge | Max Photography

Grundlage für diesen Ansatz ist das Machine Learning. Also das »Trainieren« von Entscheidungen mithilfe sehr vieler Daten, die von der Maschine verarbeitet werden müssen.

Genau. Diese datengetriebenen Verfahren kennen Sie vermutlich beispielsweise aus Demonstrationen, bei denen eine KI anhand von Millionen Bildern den Unterschied zwischen bestimmten Tierarten erlernt. Dieser Fortschritt ist beachtlich. Dennoch glauben wir, dass noch mehr Fähigkeiten und Potenzial in KI stecken, wenn wir die Komponente »menschliches Wissen« von vornherein mitdenken. Denn wir Menschen können aktuell noch deutlich mehr als künstliche Intelligenz. Das liegt unter anderem daran, dass wir ein umfangreiches lexikalisches Wissen über die Welt besitzen. Beispielsweise nutzen wir Formeln oder Regeln, um zum Beispiel physikalische Zusammenhänge zu verstehen. Das macht uns »klüger«. Diese verschiedenen Wissensrepräsentationen wollen wir nun auf verschiedene Weise in das »klassische« maschinelle Lernverfahren einbringen.

Noch aber kann ich mir unter dem »Einbringen« von menschlichem Wissen wenig vorstellen. Eine Maschine ist kein Schüler.

Das nicht, aber menschliches Vorwissen einzubinden, bedeutet zum Beispiel auch, nicht wild und ineffizient herumzuprobieren, sondern gezielt zu agieren. Deshalb haben wir nach Verfahren gesucht, mit denen maschinelles Lernen durch die Vorgaben menschlichen Wissens reguliert werden kann.  Im einfachsten Fall kann man der KI vorgeben, auf welche Merkmale sie zu achten hat. Beim Klassifizieren von Tieren könnte das zum Beispiel die Anzahl der Beine sein. Darüber hinaus kann man aber auch die Struktur der KI an das Wissen anpassen oder die Entscheidungen der KI mit bekannten Regeln abgleichen. So grenzen wir durch menschliches Wissen den Aufwand für die KI deutlich ein und kommen zum »Informed Machine Learning«. Besonders spannend ist hierbei die Frage, wie wir  menschliches Wissen einbringen können, das nicht formal in Regeln oder Formeln existiert, sondern auf reiner Intuition basiert. Ich denke, dass wir hier noch einige Jahre arbeiten müssen, um grundsätzliche und allgemeingültige Verfahren zu entwickeln.

Kurz zur Einordnung: Das Fraunhofer-Forschungszentrum Maschinelles Lernen ist eins von drei Zentren des Fraunhofer Clusters of Excellence Cognitive Internet Technologies (CCIT). Hier bündeln das Fraunhofer-Institut IAIS, das Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB, das Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM und das Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI ihre wissenschaftliche Expertise und ihr Know-how aus dem direkten Transfer wegweisender Maschine Learning-Forschung in die Industrie.

Richtig. Hier werden neue verlässliche Verfahren des Maschinellen Lernens erforscht. Unser Ziel ist es, Antworten zu den aktuellen Herausforderungen der Industrie und Gesellschaft zu finden und es Unternehmen zu ermöglichen, transparente und nachvollziehbare Lösungen der Künstlichen Intelligenz in Produktions-, Geschäfts- und Vertriebsprozesse zu integrieren.

Aber zurück zu Ihrem Ansatz. Denn auch wenn die Entwicklung grundsätzlicher Verfahren des »Informed Machine Learning« noch dauern wird, war Ihr Verfahren im konkreten Fall mehr als erfolgreich. Sie haben ein System so programmiert, dass es den Zusammenhang zwischen Umweltentwicklung und Pflanzenwachstum untersuchen kann und wichtige Ergebnisse liefert. Der Gewinn der renommierten Crop Challenge und die Preisverleihung in Texas unterstreichen das.

Für die Challenge hatten wir mehrere Aufgaben zu erledigen, die wir unter anderem dadurch bewältigt haben, dass wir verschiedenartiges, jeweils umfangreiches Expertenwissen genutzt haben, um die Vielzahl an zu lernenden Informationen zu reglementieren und für die KI zu fokussieren. Denn wir mussten mehrere Umweltbedingungen analysieren, welche die Widerstände beim Pflanzenwachstum beeinflussen. Dabei ging es zum Beispiel um den Hitzestress und den Trockenheitsstress, die die Pflanze beim Wachstum schwächen können. Allein die damit zusammenhängenden Relationen zu bestimmen, um daraus KI-taugliches Expertenwissen zu generieren, ist äußerst komplex, weil viele physikalische und biologische Prozesse berücksichtigt werden müssen. So ist es beispielsweise entscheidend, in welcher Wachstumsphase sich die Pflanze befindet. Am Ende konnten wir so Kreuzungen von Maispflanzen identifizieren, die unter widrigen Umweltbedingungen möglichst resistent sind und somit die bestmöglichen Erträge bringen.

Gibt es hier schon konkrete Ergebnisse, die landwirtschaftlich nutzbar sind?

Im Moment arbeiten wir noch intensiv daran, den von uns gefundenen und eingeschlagenen Weg für einen späteren industriellen Einsatz zu ebnen. Ich bin mir sicher, dass unser Ansatz in Zukunft in der Landwirtschaft und in vielen anderen Bereichen eine hohe Bedeutung haben wird.

(aku)

Keine Kommentare vorhanden

Das Kommentarfeld darf nicht leer sein
Bitte einen Namen angeben
Bitte valide E-Mail-Adresse angeben
Sicherheits-Check:
Eins + = 9
Bitte Zahl eintragen!
image description
Experte
Alle anzeigen
Dr. Jannis Schücker
  • Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS
Weitere Artikel
Alle anzeigen
KI-ck off 
Automatische Augmented Gefechtsfeldaufklärung
KIMBA-Quiz
Stellenangebote
Alle anzeigen