Call for Papers

Deep Learning und Funktionale Sicherheit ( Vortrag )

Architekturoptimierung unterstützt Funktionale Sicherheit

Referent: Dr. Ulrich Bodenhausen, Ulrich Bodenhausen AI Coaching
Vortragsreihe: Safety II
Zeit: 06.12.18 14:45-15:25

Zielgruppe

Entwicklung

Themenbereiche

anderes Themengebiet

Schwerpunkt

Methode

Voraussetzungen

Grundlagenwissen

Kurzfassung

Neuronale Netzwerke/Deep Learning sind eine sehr leistungsfähige Methode zur Realisierung komplexer intelligenter Systeme. Dabei ist besonders wichtig, eine gute Generalisierungsfähigkeit zu erlernen. Aktuelle Forschungsergebnisse (z.B. MIT und Google, Zhang et al), zeigen, dass das Verständnis der Generalisierungsfähigkeit weiter analysiert werden muss. Generische Methoden zur Verbesserung (data augmentation, weight decay, dropout) verbessern Generalisierung, aber erst durch Optimierung der Architektur Neuronaler Netzwerke werden größere Verbesserungen erzielt. Dies ist aber mit erheblichem Entwicklungsaufwand verbunden. Deshalb werden automatisierte Methoden zur Architekturoptimierung entwickelt, die so leistungsfähig sein können, dass damit sogar bessere Ergebnisse als mit manueller Optimierung erreicht werden (Google, Zoph et al). Im Vortrag wird zudem gezeigt, wie Methoden der Architekturoptimierung zur Erfüllung der normativen Anforderungen der Funktionalen Sicherheit beitragen.

Gliederung

- Einführung Neuronale Netzwerke und Deep Learning
- Erläuterung Generalisierungsfähigkeit
- Aktuelle Forschungsergebnisse zu Generalisierung
- Methoden zur Verbesserung
- Generische Methoden
- Architekturoptimierung
- Funktionale Sicherheit und Bedeutung für Industrie
- Normative Anforderungen am Beispiel Automobilindustrie (ISO 26262)
- Beitrag Architekturoptimierung zu normativen Anforderungen

Nutzen und Besonderheiten

In sicherheitskritischen Anwendungen müssen die Anforderungen von Normen, z.B. der ISO 26262 für die Automobilindustrie, berücksichtigt werden. Für die Erfüllung dieser Anforderungen durch einem System, welches Deep Learning Komponenten verwendet, sind die folgenden Herausforderungen zu berücksichtigen: - Geringe Fehlerrate durch optimierte Generalisierungsfähigkeit - ein trainingsbasierter Ansatz der Implementierung statt Programmierung - Intransparenz bei der Interpretation der umgesetzten internen Strukturen. In diesem Vortrag werden die Anforderungen aus Safety Normen beleuchtet, die für viele sicherheitskritische Produkte von hoher Relevanz sind. Es wird erstmals gezeigt, wie automatische Architekturoptimierung bei der Erfüllung der Anforderungen sehr wirkungsvoll unterstützen kann. In diesem Kontext ist hervorzuheben, mit welch hohem Aufwand die in KI führenden Unternehmen an automatischer Optimierung arbeiten.

Über den Referenten

Ulrich Bodenhausen arbeitete an der Carnegie Mellon University und am KIT an Sprach- und Handschrifterkennung mit Neuronalen Netzwerken. Nach dem Berufsstart bei einer Strategischen Unternehmensberatung war er bei einem 1st Tier Systemlieferanten in der Automobilindustrie als Leiter der Strategischen Unternehmensplanung sowie als globaler Leiter des Innovationsmanagements tätig. Er leitet nun ein Team von Unternehmensberatern und vermittelt als Coach umfängliche Erfahrung mit AI.