Prognose wettergeführter Heizungssteuerung

Heizungen sind mit die größten Verbraucher fossiler Energieträger. Einsparungen hier können also entscheidend dazu beitragen, den Klimawandel zu verlangsamen.

Der Energieverbrauch von Heizungen kann oft entscheidend verringert werden, wenn bei der Heizungssteuerung das Wetter mitberücksichtigt wird. Oft ist jedoch nicht klar, ob und wann die Anschaffungskosten einer solchen Steuerung durch die gesparten Heizkosten amortisiert werden können.

In Zusammenarbeit mit der SEnerCon GmbH und gefördert durch das Berliner Programm für Nachhaltige Entwicklung (BENE) werden wir Methoden des Maschinellen Lernens entwickeln, mit denen Endverbraucher schnell und zuverlässig das Einsparpotential der Heizenergie bei Installation wettergeführter Heizungssteuerung ermitteln können. 

Green Consumption Assistant

Unser Konsumverhalten ist ein wesentlicher Treiber von Klimawandel und Umweltzerstörung. Studien zeigen, dass selbst Menschen mit hohem Umweltbewusstsein wenig nachhaltig konsumieren. Oft, weil im Moment der Kaufentscheidung relevante Nachhaltigkeitsinformationen fehlen.

In Zusammenarbeit mit dem Team um Prof. Tilman Santarius, TU Berlin, Lehrstuhl für Sozial-ökologische Transformation, und der Suchmaschine ecosia entwickeln wir im Rahmen eines KI Leuchtturmprojekts gefördert vom Bundeumweltministerium einen KI basierten Assistenten, der KonsumentInnen unterstützen soll, nachhaltiger zu konsumieren.

Ziel des Green Consumption Assistant (GCA) ist, Konsumenten bei der Produktsuche in der Suchmaschine Ecosia die konkreten Auswirkungen von Konsumentscheidungen anzeigen. Dazu wird an der BHT eine offene Datenbank zu Nachhaltigkeitsinformationen erarbeitet werden, indem vorhandene Datensätze integriert, geprüft und ergänzt werden mit Hilfe von Methoden Maschinellen Lernens.

Datenqualität in Machine Learning Systemen

Methoden des Maschinellen Lernens (ML) beeinflussen viele Aspekte unseres täglichen Lebens. Oft dauert es jedoch lange, bis Forschungserfolge in die Praxis übertragen werden können und nützliche, robuste und vertrauenswürdige Anwendungen daraus entstehen. Das liegt vor allem an Problemen mit der Datenqualität.

In Kollaboration mit Amazon Research und Prof. Sebastian Schelter von der Universität Amsterdam entwickeln wir Methoden für das Monitoring (z.B. Schelter et al, VLDB, 2018) von Datenqualität, die Verbesserung von Datenqualität (z.B. Biessmann et al, CIKM, 2019) und zur Vorhersage von Datenqualitätsproblemen in ML Anwendungen (z.B. Schelter et al, SIGMOD, 2020)

Transparentes Maschinelles Lernen

Viele von uns benutzen Künstliche Intelligenz (KI) Systeme, die auf Methoden des Maschinellen Lernens (ML) basieren, täglich. Vor allem beim Einsatz assistiver KI in Berufen wie etwa im Gesundheitsbereich, bei der Polizei oder in der Justiz, ist das richtige Maß an Vertrauen in die KI wichtig für verantwortungsvollen Umgang mit solchen Entscheidungshilfen. Zu viel oder gar blindes Vertrauen kann zu unüberlegten Entscheidungen führen. Und zu wenig Vertrauen in eine KI kann wertvolles Wissen ignorieren.

Um Vertrauen in KI-Systeme zu verbessern, wurden in den letzten Jahren viele Methoden vorgeschlagen, die KI Entscheidungen transparenter machen. Inwiefern diese Transparenz jedoch das Vertrauen in KI-Systeme beeinflusst, blieb bisher wenig erforscht.

In Kollaboration mit Philipp Schmidt, Amazon Research, und Prof. Timm Teubner, TU Berlin, untersuchen wir, ob und wie gut Transparenz in KI-Systemen hilft, Vertrauen in solche Assistenzsysteme zu stärken.

Erste Ergebnisse zeigen, dass Vertrauen durch Transparenz oft gestärkt wird und Transparenz etwa bei Assistenzsystemen in Text-Annotationsaufgaben menschliche Entscheidungen schneller und besser machen kann (Schmidt und Biessmann, 2018).

Jedoch kann Transparenz in KI-basierten Assistenzsystemen auch gegenteilige Effekte haben und Menschen falschen KI Vorhersagen folgen lassen, sowie auch richtige KI Empfehlungen ignorieren lassen (Schmidt et al, 2020).

Was die Experimente auch gezeigt haben, ist, dass Qualitätmaße von Transparenzmethoden menschliche Kognition berücksichtigen sollten (Biessmann und Refiano, 2019).

Ausserdem haben weitere Experimente gezeigt, dass verschiedene Faktoren in der Mensch-Maschine-Interaktion beeinflussen, ob das Vertrauen in die KI gerechtfertigt ist oder nicht. Unter anderem konnten wir zeigen, dass die Schwierigkeit einer Aufgabe und auch Persönlichkeitszüge wie Risikoaffinität den Effekt von Transparenz verändern (Schmidt und Biessmann, 2020).

Maschinelles Lernen für Biodiversität

Die Artenvielfalt wie auch die absoluten Zahlen von Insekten gehen immer mehr zurück. Das kann schwerwiegende Folgen haben für unsere Ökosysteme und die Ernährungssicherheit. Ein zentrales Problem in diesem Kontext ist die Bestandsaufnahme und das automatisierte Zählen von Insekten. In Zusammenarbeit mit Prof. Frank Haußer und Teodor Chiaburu entwickeln wir im Rahmen des KI Leuchtturm Projekts KInsekt Verfahren des Maschinellen Lernens (ML) zur automatisierten Erkennung von Insekten. Da die Annotation von Trainingsdaten für die ML Algorithmen für viele Insektenarten fundiertes Expertenwissen benötigt, liegt ein besonderer Fokus dieser Arbeit in der Verbesserung der Trainingsdatenakquise mit Hilfe von erklärbarer Künstlicher Intelligenz oder englisch eXplainable Artificial Intelligence (XAI). Ein Ziel ist, Experten beim Annotieren von Insektenbildern zu unterstützen, indem ML Verfahren Bilder automatisiert annotieren und diese Annotationen den Experten erklärt werden - so können etwa falsche Annotationen schneller als solche erkannt werden. Über diese Anwendung hinaus erlauben die Einsichten, die so in die Nützlichkeit von XAI Methoden gewonnen werden, auch, XAI Methoden generell besser zu verstehen. So können die Ergebnisse dieser Arbeit auch für andere Anwendungen, etwa Textklassifikation, nützlich sein. 

KI in der Pflege: Sturz / Delir / Medikation (KIP-SDM)

Jährlich gibt es knapp 5 Millionen registrierte Sturzereignisse pro Jahr in Deutschland. Die jährlichen Kosten für Sturzbehandlungen belaufen sich auf mehr als 500 Millionen Euro. Dabei sind bis zu 30% aller Stürze präventiv verhinderbar. Systeme, die Künstliche Intelligenz (KI) verwenden, analysieren Risikofaktoren, prognostizieren individuelle Sturzrisiken und könnten so für Pflegende die Sturzprävention digital unterstützen. Bestehende Systeme berücksichtigen jedoch oft nicht alle relevanten Risikofaktoren (Seibert et al. 2021). KI-basierte Sturzprävention beruht beispielsweise oft auf Ganganalysen obwohl das Sturzrisiko bei vielen Patient:innen schon bei der Einnahme der Hälfte der Tagesdosis von Hypnotika und Sedativa um 56 Prozent erhöht ist. Medikationsdaten sind jedoch oft nicht verfügbar für den Einsatz in KI-Systemen, da der Zugang zu den Daten technisch und rechtlich komplex ist. Das Potential KI-basierter Systeme für die Sturzprävention wird somit bisher nicht voll ausgeschöpft. Ziel dieses Projekts ist es, die für eine Risikobewertung entsprechend etablierten Pflegestandards relevanten Daten dem Personal in den Einrichtungen bequem digital verfügbar zu machen. Sturzprävention ist dabei lediglich als ein Beispiel aus einem Themenfeld ähnlicher pflegerischer Problemstellungen wie Dekubitus, Harninkontinenz, Delir, etc. zu betrachten. Mithilfe der im Projekt entwickelten Datenintegrations- und Datenanalysemethoden sowie der darauf aufbauenden KI-Anwendung ließen sich alternative relevante Fragestellungen, Daten und Outcomes ebenso evaluieren. Durch Datenintegration und KI-Nutzung wird dabei nicht nur die Anwendung und Überprüfung der Einhaltung von Pflegestandards erleichtert.