Reinforcement Learning (RL) ist eines der drei Hauptparadigmen von maschinellem Lernen (ML). Im Gegensatz zu den beiden anderen, Supervised Learning und Unsupervised Learning, findet bei RL das Lernen durch direkte Interaktion mit der Umgebung statt. Nachstehend folgt eine kurze Einführung in RL.

Künstliche Intelligenz (KI) muss mit Unsicherheiten umgehen können, damit wir uns darauf verlassen können, dass sie auch in sicherheitskritischen Anwendungen funktioniert, zum Beispiel in autonomen Fahrzeugen. Das Fraunhofer-Institut für Kognitive Systeme IKS erforscht Möglichkeiten, wie KI logisch mit Unsicherheiten umgehen kann. Eine davon ist die Operational Design Domain.

Gut ein Jahr ist das Fraunhofer-Institut für Kognitive Systeme IKS jetzt alt. Für Rückenwind zum Start ins zweite Jahr sorgt eine weitere Förderung des Bayerischen Wirtschaftsministeriums in Höhe von 20 Millionen Euro. Damit wird der Aufbau neuer Forschungsschwerpunkte beschleunigt.

Cyber-Physical Systems (CPS) kombinieren Software-Algorithmen und physische Strukturen. Um mehr zu bieten als die einfachen eingebetteten Systeme von heute, müssen weiterentwickelte CPS insbesondere Eigenschaften wie Anpassungsfähigkeit, Resilienz und Sicherheit aufweisen. Lean Management von CPS mit resilienten Architekturen erfüllt diese Anforderungen durch die Kombination von Datenverteilung mit dienstorientierten Strukturen. Ein Beispiel aus der Praxis: ein mobiler Roboter in einem Lager.

Die Vereinbarkeit von Sicherheit, Leistungsfähigkeit und Zuverlässigkeit in logikbasierten Kognitiven Systemen ist keine leichte Aufgabe. Gerade bei sicherheitskritischen autonomen Systemen wie fahrerlosen Autos geht man zu Recht davon aus, dass alle drei Anforderungen auf höchstem Niveau umgesetzt werden. Dies stößt jedoch auf begrenzte Ressourcen. Das Fraunhofer-Institut für Kognitive Systeme IKS hat einen Ansatz entwickelt, um Sicherheit, Leistungsfähigkeit und Zuverlässigkeit in Abhängigkeit von der aktuellen Situation und den konkreten Anwendungen zu optimieren: Flexilienz.

Tiefe neuronale Netze (Deep Neural Networks, DNNs) haben ihr Potenzial unter Beweis gestellt. Dies gilt vor allem für ihre Verwendung im Labor. Ihre Leistung beim Einsatz in der Praxis lässt allerdings zu wünschen übrig. Ein wesentliches Problem ist die Schätzung der Unsicherheit (uncertainty). Im Folgenden werden die Methoden näher betrachtet, die dieser Herausforderung gerecht werden.

Flexible Serviceorientierte Architekturen (SOA) in sicherheitskritischen Anwendungen? Das ist bislang quasi ausgeschlossen. Denn Dienste müssen verlässlich zur Verfügung stehen und Sicherheitsanforderungen zu jeder Zeit eingehalten werden. Mit resilientsoa hat das Fraunhofer IKS ein Software Framework entwickelt, das genau dies sicherstellt, das heißt: Service-Orchestrierung so sicher wie notwendig und so performant wie möglich.

Cloud-basierte Systeme sind auf eine stabile Verbindung zur Datenwolke angewiesen. Aber Verbindungsabbrüche passieren – darauf muss das System angemessen reagieren und gleichzeitig die Sicherheit garantieren. Wie, das zeigt das Fallbeispiel eines automatisierten Parksystems.

Die Bewältigung der vielfältigen Herausforderungen bei zuverlässigen cloud-basierten cyber-physikalischen Systems of Systems (CPSoS) erfordert neue Ansätze, die automatisiert und effizient genug sind, um einige Elemente des Systems in die Laufzeit zu verlagern. Zur Konzeption und Bewertung der Systemarchitektur hat das Fraunhofer IKS einen iterativen, automatisierten Prozess entwickelt.

Wenn ein System nicht ordnungsgemäß funktioniert oder ein erforderlicher Dienst nicht rechtzeitig bereitgestellt wird, kann dies zu Personenschäden oder zum Tod von Menschen führen. Derartige Situationen, z. B. beim automatisierten Fahren und bei der Interaktion zwischen Mensch und Roboter, gelten daher als sicherheitskritisch. Aus diesem Grund müssen die beteiligten Systeme äußerst zuverlässig funktionieren. Um die Zuverlässigkeit von Systemen zu bestimmen, sind die Wissenschaftler am Fraunhofer IKS dabei, einen adaptiven, dynamischen und flexiblen Sicherheitsanalyseprozess zu entwickeln, der die Grenzen der bisherigen Methoden überwindet.