Stochastische Relationale KI im Gesundheitswesen
Intelligente Systeme, die durch Beobachtung ihrer Umgebung und durch Auswertung von Daten Modelle aufbauen, um Handlungen optimal berechnen zu können, müssen mit Unsicherheiten systematisch umgehen können. Gerade im Bereich des Gesundheitswesens treten verschiedenartige, in großem Maße relationale Daten von Patienten, ihrer Krankengeschichte und auch ihren Untersuchungen mit Messreihen und Diagnosen auf. Zugeordnete Text- und Bilddaten sollen vielfach auf semantisch höherer Ebene interpretiert und für neuartige Anwendungen nutzbar gemacht werden.
Stochastisch relationale Modelle stellen hier ein zentrales Werkzeug dar. Sie sind auch in anderen Bereichen wie z.B. der Robotik oder dem Semantic Web von großer Wichtigkeit, da immer häufiger umfangreiche Datenbestände aus Web-Mining-Aktivitäten (z.B. sog. Knowledge Graphs) in die Handlungsplanung von intelligenten Systemen einbezogen werden. Durch StarAI werden Stochastik/Statistik, Logik und Netzwerkmodelle systematisch für die Verwendung in intelligenten Systemen kombiniert. So können z.B. in Anwendungen des Gesundheitssystems wichtige Probleme gelöst werden. Ein wesentliches Thema der Arbeiten im Forschungsbereich bildet deshalb die Skalierbarkeit von Inferenz- und Lernalgorithmen für StarAI-Modelle.
Die menschengerechte Gestaltung der Interaktion von intelligenten Systemen mit menschlichen Akteuren erfährt dabei ein besonderes Augenmerk. Eine wichtige Voraussetzung dabei ist eine sehr hohe Qualität von Systemausgaben bzw. eine sehr hohe Angemessenheit von berechneten Handlungen bzw. Handlungsempfehlungen intelligenter Unterstützungssysteme auf Basis von möglicherweise gelernten Modellen. Genauso wichtig sind die Möglichkeiten, dem Nutzer Schlussfolgerungen mit Bezugnahme auf die Modellierung mit kausalem Bezug zu erläutern, aber auch menschliche Informationsbedarfe sowie auch menschliche Informationsverarbeitung in der Interaktion zu antizipieren. Beide Aspekte werden im Forschungsbereich untersucht (Human-aware StarAI).
StarAI nutzt die grundlagenorientierte Forschung des von Prof. Dr. Ralf Möller geleiteten Instituts für Informationssysteme (IFIS) an der Universität zu Lübeck.
Projekte IFIS mit StarAI-Bezug
- Prof. Möller ist Sprecher der Forschungseinheit Data Linking im DFG Exzellenzcluster Understanding Written Artefacts. In diesem Kontext gibt es mehrere Teilprojekte.
- Das Projekt KI-Lab (BMBF) baut an der Universität zu Lübeck eine Infrastruktur für die KI-Forschung auf.
- Das Mittelstand 4.0 Kompetenzzentrum Kiel (BMWi) unterstützt den Mittelstand bei der Bewältigung der digitalen Transfomation.
- Das Projekt Optique (EU) untersuchte den ontologie-basierten Zugiff auf strombasierte Daten zusammen mit sehr großen relationalen Datenbeständen. Optique hat beigetragen zur Semantik von Abfragesprachen sowie zur Effizienz von Algorithmen für die Ausführung von Abfragen zur kontinuierlichen Vorhersage von Ereignissen in Hochgeschwindigkeitsdatenströmen und auch in historischen Daten.
- Im Projekt PANOPTESEC (EU) wurden Überwachungstechniken für die Cybersicherheit in kritischen Infrastrukturen untersucht.
- Das Projekt Stochastic Relational in AI and Healthcare Big Data (CISCO) hat die Grundlagen für ein Fernüberwachungssystem von Patienten ohne ausreichende ärztliche Versorgung gelegt.
