₪ Lagekategorisierung in hochdimensionalen amorphen Zustandsräumen mittels neuartiger neuronaler Netzarchitekturen und Lernverfahren

Vor allem bei hochdimensionalen und in ihrer Struktur heterogenen Datensätze stoßen klassische, aber auch Deep-Learning-Verfahren, schnell an ihre Grenzen. Grund hierfür sind u.a., dass bei diesen Aufgabenstellungen umfangreichste Lerndatensätze der neuronalen Netzstruktur präsentiert werden müssen um so mittels des "Tricks" mit vielen neuronalen Layern und einer hohen Lernrate eine geeignete Repräsentationsstruktur für eine erfolgreiche Kategorisierung/Identifizierung  zu erlangen. Schaut man aber in die Strukturen der zentralen Nervensysteme der Vertebraten, so wird einem schnell klar, dass Mutter Natur diesen Weg nicht gegangen ist. So sind z. B. die Pyramindenzellen - als wesentliche Klassifikatoren der zentralen Nervensysteme - keines Falls in hochschichtigen Strukturen angelegt.

Diese Tatsache berücksichtigend und dem Prinzip des "Computing with Activities" folgend, haben die Mitarbeiter von IngB RT&S in den letzten Jahren - vor allem im Rahmen Europäischer F&E-Projekte - neuartige Lageberwertungssysteme kreiert und ins Netz gestellt.

Zwei Bespiele, hier aus dem Bereich der ökologischen Lagebewertung und der personenbezogenen Gesundheitskategorisierung seien hier aufgeführt.

1. KI-gestützte, selbstadaptive Lagebewertung und Lageunterstützung zur Entscheidungsfindung der Auswirkung von Altmunitonsbeständen im Baltischen Raum auf Umwelt, Industrialisierung, Tourismus, Schifffahrt unter Einbeziehung regional und international geltender rechtlicher und technisch umsetzbarer Vorgaben 
   

Aufgabe war es, an Hand von Datensätzen aus den oben genannten Bereichen ein CI-basiertes System zu bauen, welches den Einfluss von Altmunitionsbeständen dahingehend kategorisiert, ob und in welchem Maße  sich der Zustand auf die unterschiedlichen „Schutzgüter“ auswirkt, welche (bekannten) Maßnahmen zur Lageberwertung und Lagebereinigung zu empfehlen sind und welche rechtlichen Einschränkungen in den jeweiligen nationalen und internationalen Gebieten dabei zu berücksichtigen sind. Beispielhaft dargestellt ist rechtsseitig das Vorgehen des von unseren heutigen Mitarbeitern gebauten (und im on-line-Betrieb vorliegenden)  Lageunterstützungssystems. An Hand einer allgemeinen Objektkarte wählt ein Benutzer ein Objekt aus.

Die (meinst chemischen, physikalischen, biologischen, ortsspezifischen und explorationsbezogenen) Objektdaten werden im nächsten Schritt aus einer Datenbank gezogen, das neuronale Ein-Layer-Netzwerk erstellt eine Kategorisierung und wählt die adäquaten rechtlichen und verfahrensgebundenen Lageunterstützungsinformationen aus. Alle relevanten sich auf die im Fokus stehende Schutzgutauswahl beziehenden Informationen nebst einer generellen Kategorisierung in die Bereiche „grün“, „gelb“ „orange“ und „rot“ der Altmunitionsbeeinflussung werden sofort berichtsmäßig zur Verfügung gestellt.

       2. Lagebewertung und Lageunterstützung von Diabetespatienten anhand     

           einer 360 Grad Analyse mittels einer fortlaufenden Datenerhebung und eines

           neuronal basierten personalisierten „Fingerprints“

On-line-basierte Diabesteseinschätzungen anhand physiologischer Parameter gibt es mittlerweile viele,  on-line-basierte Diabeteseinschätzungen unter Berücksichtigung des sozialen, jahreszeitbezogenen, beruflichen und psychologischen Umfeldes hingegen wenige.

Zudem sind die meisten kommerziellen System nicht in der Lage, den Trend des Verhaltens, Empfindens sowie relevanter Veränderungen im sozialen und beruflichen Umfeld des Diabetikers mittels eines personalisierten und personenindividuellen neuronalen „Begleiters“ zu monitoren und prädiktiv eine Prognose über dessen Gesundheitszustand (hier) zu erstellen. Mittels unserer neuronalen Netze ist dies aber problemlos möglich, da ihre spezielle Struktur es erlaubt, erstens Zeittrajektorien in ihre Kategorisierungsstruktur zu integrieren und zweitens ihre Kategorisierungsstruktur laufend – ohne Verlust ihrer alten Wissensbasis – zu erweitern. Natürlich sind die Kategorisierer dabei so Verschlüsselt, dass das Auslesen ihrer Wissensbasis durch Drittte nicht ohne einen speziellen Schlüssel möglich ist.

Zur Veröffentlichung

..und wie agieren unsere Ein-Layer-Netzwerke? Nun, einwenig so wie rotierende Salatschüsseln!