Immer mehr Branchen setzen auf Künstliche Intelligenz. Es existieren jedoch Herausforderungen auf dem Weg zur »Data Driven Company«, vor allem wenn außerhalb von weitgehend digitalisierten Bereichen noch immer nicht genügend Daten vorhanden sind. Das Buch »Informed Machine Learning« stellt das gleichnamige Konzept vor, das rein datengetriebenes Lernen mit wissensbasierten Techniken kombiniert. Die praktische Anwendung wird anhand realer Use Cases aus unterschiedlichen Bereichen skizziert: von der Fertigung über die Gesundheitsfürsorge bis hin zur Materialwissenschaft. Die Publikation ist bei Springer Nature erschienen und sowohl käuflich als auch »Open Access« frei zum Download verfügbar.

»Informiertes maschinelles Lernen hat mehrere Vorteile. Es verringert den Bedarf an Daten, führt oft zu kleineren, weniger komplexen und robusteren Modellen und macht Maschinelles Lernen somit auch in Umgebungen anwendbar, in denen nur wenige Daten vorhanden sind«, erklärt Daniel Schulz, Mitglied der Geschäftsstelle des Fraunhofer CCIT für das Fraunhofer IAIS, der das Buch gemeinsam mit Prof. Dr. Christian Bauckhage, Lead Scientist am Fraunhofer IAIS, herausgegeben hat. »Das Wissen, das in die Lernprozesse der Modelle einfließt, kann verschiedene Formen annehmen, wie zum Beispiel Differentialgleichungen, Simulationsergebnisse, Wissensgraphen oder menschliches Feedback, was den Ansatz insgesamt sehr leistungsfähig und breit anwendbar macht. Deshalb richtet sich das Buch auch an unterschiedlichste Unternehmen und Einrichtungen, die ihre vorhandenen Machine-Learning-Modelle mit entsprechendem Wissen anreichern und optimieren oder die Analyse vorhandener, kleinerer Datenmengen überhaupt erst ermöglichen wollen.« 

Seit mehreren Jahren setzen sich die Expertinnen und Experten des Fraunhofer IAIS mit dem Informierten Maschinellen Lernen auseinander. Mit Förderung des Fraunhofer CCIT und des Lamarr Institute for Machine Learning and Artificial Intelligence haben sie die zentralen Ergebnisse bereits 2021 in Form einer Taxonomie im viel zitierten Paper »A Taxonomy and Survey of Integrating Knowledge into Learning Systems« veröffentlicht, auf dem die Theorie des Buches basiert.

In 14 Kapiteln beschreiben Expertinnen und Experten jetzt die Umsetzung des »Informed Machine Learning« anhand von Praxisbeispielen aus der Fraunhofer-Gesellschaft. Dabei orientieren sich die Use Cases an der im Paper aufgestellte Taxonomie. Neben dem Fraunhofer IAIS haben auch Fachleute der Fraunhofer-Institute IOSB, ITWM, IWU und SCAI sowie Partner-Unternehmen und Einrichtungen an dem Buch mitgewirkt.