vom: 01.07.2021
31st European Conference on Operational Research
Anfang 13.07.2021 12:30 Uhr
Ende 13.07.2021 14:00 Uhr
Dauer 1 Tag
Veranstaltungsort University of West Attica | Athens | Greece - HYBRID Format
Fachvortrag unseres KI-Teams um Dr. Rustam Tagiew mit dem Titel "Auf dem Weg zur Risikobewertung der erlernten Computer Vision für ATO" im Rahmen des 2. internationalen Workshops zum Thema "Künstliche Intelligenz für RAILwayS" (AI4RAILS).
DZSF-Autoren
Rustam Tagiew, Thomas Buder, Kai Hofmann, Christian Klotz, Roman Tilly
Abstract
Automatischer Zugbetrieb (ATO) ab GoA3 erfordert Computer Vision (CV). Für maschinelles Lernen (ML) als Stand der Technik für CV fehlen noch verbindliche technischen Normen für ATO und es ist daher eine zusätzliche Risikobewertung für eine Zertifizierung erforderlich. In diesem Beitrag betrachten wir ein deterministisches CV-Subsystem innerhalb konventioneller Software und schließen sowohl End-to-End-Lernen als auch Lernen während des Betriebs aus. Dieses CV-Subsystem wird nicht konventionell kodiert, sondern allein vor dem Betrieb auf vorher aufgezeichneten Daten trainiert. Das gelernte CV (LCV) schließt weder systemische Fehler aus, noch kann es vollständig in Tests abgedeckt werden. Außerdem wird LCV auf engere Systemgrenzen beschränkt sein als bei der manuellen Bedienung (MO), die sich auf der menschlichen Wahrnehmung beruht.
Der Nachweis des Gesamtsystems mit LCV muss zumindest ein geringeres Risiko innerhalb der Systemgrenzen gewährleisten als bei MO. Unser Projekt ATO-Sense wird quantitative Ergebnisse zur Verlässlichkeit von MO und ATO-Risk quantitative Ergebnisse dazu liefern, wie viel geringer das Risiko von ATO sein sollte. Sobald ein verbindlicher Schwellenwert für das Risiko von ATO existiert, können diverse Aktivitäten zur Risikobewertung durchgeführt werden.
Dieser Beitrag enthält einen Überblick über solche Aktivitäten wie Kreuzvalidierung, Bayes'sche ML und Statistik, PFMEA, MCDA, DoE, CV-HAZOP, Reinforcement Learning für das Testen, erklärbare KI und einige andere aufkommende Techniken für Deep Learning-Modelle.