Efficient Explainable Learning on Knowledge Graphs (ENEXA) ist ein europäisches Projekt, das menschenzentrierte, erklärbare Ansätze für maschinelles Lernen für Wissensgraphen der realen Welt entwickelt.
Menschzentrierte, transparente und erklärbare KI-Systeme sind der Schlüssel zu einer menschenzentrierten und ethischen Entwicklung digitaler und industrieller Lösungen. ENEXA baut auf neuartigen und vielversprechenden Ergebnissen in den Bereichen Wissensrepräsentation und maschinelles Lernen auf, um skalierbare, transparente und erklärbare hybride Algorithmen für maschinelles Lernen zu entwickeln, die symbolisches und subsymbolisches Lernen kombinieren. Das Projekt konzentriert sich auf Wissensgraphen mit reichhaltiger Semantik als Mechanismus zur Wissensrepräsentation, da diese in Europa in verschiedenen Bereichen und Branchen zunehmend an Beliebtheit gewinnen.
Einige erklärbare und transparente maschinelle Lernansätze für Wissensgraphen bieten bekanntermaßen bereits Garantien hinsichtlich ihrer Vollständigkeit und Korrektheit. Aufgrund der Größe, Unvollständigkeit und Inkonsistenz von Wissensgraphen in der Praxis ist es jedoch nach wie vor unmöglich oder unpraktisch, sie auf reale Daten anzuwenden.
ENEXA entwickelt neue Ansätze für maschinelles Lernen, die formale Garantien hinsichtlich Vollständigkeit und Korrektheit aufrechterhalten und gleichzeitig verschiedene Darstellungen (formale Logik, Einbettungen und Tensoren) von Wissensgraphen gleichzeitig nutzen. Mit unseren neuen Methoden wollen wir bedeutende Fortschritte bei der Skalierbarkeit des maschinellen Lernens erzielen, insbesondere bei Wissensgraphen. Eine wichtige Innovation von ENEXA liegt in seinem Ansatz zur Erklärbarkeit. Hier konzentrieren wir uns auf die Entwicklung menschenzentrierter Erklärbarkeitstechniken, die auf dem Konzept der Ko-Konstruktion basieren, bei dem Mensch und Maschine in einen Dialog treten, um gemeinsam für Menschen verständliche Erklärungen zu entwickeln. Der daraus resultierende Ansatz wird in drei für Europa wichtigen Bereichen eingesetzt, nämlich Unternehmensdienstleistungen, Geodatenanalyse und Markenmarketing.
Mehr Infos zum Projekt unserer Fachgruppe Data Science gibt es hier.
