| Popis: |
Kunstliche neuronale Netze sind in der Lage, in Datenmengen Muster zu identifizieren. Diese Identifikation ist aber stochastisch und kann durch den Programmierer zwar gepruft, aber nicht zugesichert werden. Gerade wenn klassische Algorithmen den Grosteil der Verarbeitung erfullen konnen, scheint es deshalb – besonders unter dem Blickwinkel der Nachvollziehbarkeit, einer Forderung vieler Standards – einfacher, auf die Vorteile z. B. von kunstlichen neuronalen Netzen zu verzichten, da sich der Aufwand der Absicherung des vollstandigen Verarbeitungsschritts nicht rechnet bzw. (derzeit) nicht moglich ist. Darum wird in diesem Kapitel das Prinzip der „Evidence Maps“ beschrieben, das den Einsatz von stochastischen Algorithmen klar kapselt, um entsprechende KI-Ansatze auch in komplexen Systemen als Teilkomponenten integrieren zu konnen. Auf diesen Evidence Maps konkurriert der Output der KI-Algorithmen mit dem der klassischen Algorithmen. So kann die Uberprufbarkeit und damit die Nachvollziehbarkeit der Letzteren eine Grundsicherheit liefern, die – nun kleiner und damit uberschaubarer gewordenen – Aufgabenbereiche der KI-Algorithmen die Grenzbetrachtungen vervollstandigen konnen. |
