Deep-Learning-Verfahren werden in vielen Anwendungsgebieten eingesetzt und arbeiten nach einer Trainingsphase sehr effizient. Allerdings kann über ihre Korrektheit im allgemeinen keine verlässliche Aussage getroffen werden. Im Gegensatz dazu kann die Korrektheit von analytischen, planbasierten oder deduktiven Algorithmen mit bewährten Methoden verifiziert werden, sie sind allerdings oft in der Anwendung zu langsam.
Das Projekt Fast&Slow untersucht eine systematische Kombination beider Verfahren, bei der das symbolische Verfahren das subsymbolische Verfahren trainiert und im Betrieb überwacht. Die entwickelte Methodik wird an zwei umfangreichen Fallstudien in den Bereichen der Aktionsplanung im Smart Home und der Trajektorienplanung für einen Zweiarmroboter validiert.
Der Ansatz, die Überprüfbarkeit symbolischer Ansätze mit der Effizienz subsymbolischer Verfahren zu kombinieren, ist vielseitig anwendbar, da mangelnde Nachvollziehbarkeit ein akutes Hindernis für den Einsatz von Deep-Learning-Techniken in sicherheitsrelevanten Bereichen wie dem autonomen Fahren sind.
Prof. Dr. Christoph Lüth
