Projektbeschreibung
Verbesserte Wissensgraphen sind der Schlüssel zu einer effizienteren Arbeit mit Daten der künstlichen Intelligenz
Erklärbare künstliche Intelligenz besteht aus einer Reihe von Werkzeugen und Prozessen, die es Menschen ermöglichen, Vorhersagen, die von maschinellen Lernmodellen gemacht werden, zu verstehen und zu interpretieren. Wissensgraphen können in Verbindung mit künstlicher Intelligenz die Genauigkeit und Vertrauenswürdigkeit der Modellergebnisse verbessern. Die derzeit verwendeten sind jedoch nur begrenzt in der Lage, komplexe, miteinander verknüpfte Daten in großem Maßstab abzubilden. Aufbauend auf den jüngsten Fortschritten im Bereich der Wissensdarstellung und der künstlichen Intelligenz wird das EU-finanzierte Projekt ENEXA skalierbare, transparente und erklärbare Algorithmen für maschinelles Lernen in Bezug auf Wissensgraphen entwerfen. Der Schwerpunkt liegt dabei auf der Entwicklung von auf den Menschen ausgerichteten Erklärungsmethoden auf der Grundlage der Ko-Konstruktion, bei der Menschen und Maschinen ein Gespräch beginnen, um gemeinsam für den Menschen verständliche Erklärungen zu erstellen. Um die vorgeschlagenen Ansätze zu validieren, werden die Forschenden drei Anwendungsfälle untersuchen: Geschäftssoftwaredienste, Geoinformationsdienste und datengesteuerte Markenkommunikation.
Ziel
Explainable Artificial Intelligence (AI) is key to achieving a human-centred and ethical development of digital and industrial solutions. ENEXA builds upon novel and promising results in knowledge representation and machine learning to develop scalable, transparent and explainable machine learning algorithms for knowledge graphs. The project focuses on knowledge graphs because of their critical role as enabler of new solutions across domains and industries in Europe. Some of the existing machine learning approaches for knowledge graphs are known to already provide guarantees with respect to their completeness and correctness. However, they are still impossible or impractical to deploy on real-world data due to the scale, incompleteness and inconsistency of knowledge graphs in the wild. We devise approaches that maintain formal guarantees pertaining to completeness and correctness while being able to exploit different representations of knowledge graphs in a concurrent fashion. With our new methods, we plan to achieve significant advances in the efficiency and scalability of machine learning, especially on knowledge graphs. A supplementary innovation of ENEXA lies in its approach to explainability. Here, we focus on devising human-centred explainability techniques based on the concept of co-construction, where human and machine enter a conversation to jointly produce human-understandable explanations. Three use cases on business software services, geospatial intelligence and data-driven brand communication have been chosen to apply and validate this new approach. Given their expected growth rates, these sectors will play a major role in future European data value chains.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-RIA - HORIZON Research and Innovation ActionsKoordinator
33098 Paderborn
Deutschland