DE202021105594U1 - System for the automatic selection and/or evaluation of at least one AI module and for the classification and/or regression of input data, a computer-readable storage medium and a system for the classification and/or regression of input data - Google Patents
System for the automatic selection and/or evaluation of at least one AI module and for the classification and/or regression of input data, a computer-readable storage medium and a system for the classification and/or regression of input data Download PDFInfo
- Publication number
- DE202021105594U1 DE202021105594U1 DE202021105594.4U DE202021105594U DE202021105594U1 DE 202021105594 U1 DE202021105594 U1 DE 202021105594U1 DE 202021105594 U DE202021105594 U DE 202021105594U DE 202021105594 U1 DE202021105594 U1 DE 202021105594U1
- Authority
- DE
- Germany
- Prior art keywords
- designed
- module
- unit
- robustness
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
System, insbesondere eine Vorrichtung (300), zum Ausführen eines Verfahrens (100) zur automatischen Auswahl und/oder Bewertung mindestens eines KI-Moduls (14), umfassend:
a. eine Empfangseinheit (310), die dazu ausgebildet ist, Eingabedaten (11) zu empfangen, wobei die Eingabedaten (11)
◯ Ungestörte Daten (12) mit mindestens einem ungestörten Datenelement (13),
◯ mindestens ein zur Klassifikation und/oder Regression ausgebildetes KI-Modul (14),
◯ mindestens eine Beurteilungsmetrik (15), und
◯ mindestens eine Methode zum Generieren von Störungen (16, 16') mit mindestens einem Störungsparameter (17); angeben;
b. eine Konfigurationseinheit (320), die dazu ausgebildet ist, einen Störungsparameterwert (18) für den mindestens einen Störungsparameter (17) und ein Stoppkriterium (21) festzulegen, und
c. eine Recheneinheit (330), die dazu ausgebildet ist Abweichungen (31) durch Berechnen der mindestens einen Beurteilungsmetrik (15) unter Verwendung der ungestörten Daten (12), des mindestens einen KI-Moduls (14) und der mindestens einen Methode zum Generieren von Störungen (16, 16') zu bestimmen;
d. eine Robustheitsbestimmungseinheit (340), die dazu ausgebildet ist, mindestens einen Robustheitswert (41) für das mindestens eine KI-Modul (14) unter Verwendung der berechneten Abweichungen (31) zu bestimmen;
e. eine Vergleichseinheit (350), die dazu ausgebildet ist, den mindestens einen Robustheitswert (41) mit mindestens einem Schwellwert (51) zu vergleichen; und
f. eine Auswahleinheit (360), die dazu ausgebildet ist, das mindestens eine KI-Modul (14) auszuwählen, wenn der Robustheitswert (41) größer gleich dem mindestens einen Schwellwert (51) ist und dazu ausgebildet ist, die Recheneinheit (330) unter Verwendung der Konfigurationseinheit (320) zu aktivieren, wenn der Robustheitswert (41) kleiner gleich dem mindestens einen Schwellwert (51) ist oder einen Hinweis auszugeben, wenn das Stoppkriterium (21) erfüllt ist.
System, in particular a device (300), for executing a method (100) for the automatic selection and/or evaluation of at least one AI module (14), comprising:
a. a receiving unit (310) designed to receive input data (11), the input data (11)
◯ Undisturbed data (12) with at least one undisturbed data element (13),
◯ at least one AI module (14) designed for classification and/or regression,
◯ at least one assessment metric (15), and
◯ at least one method for generating disturbances (16, 16') with at least one disturbance parameter (17); specify;
b. a configuration unit (320) which is designed to set a fault parameter value (18) for the at least one to define disturbance parameters (17) and a stop criterion (21), and
c. a computing unit (330), which is designed to calculate deviations (31) by calculating the at least one assessment metric (15) using the undisturbed data (12), the at least one AI module (14) and the at least one method for generating errors (16, 16');
i.e. a robustness determination unit (340) which is designed to determine at least one robustness value (41) for the at least one AI module (14) using the calculated deviations (31);
e. a comparison unit (350) which is designed to compare the at least one robustness value (41) with at least one threshold value (51); and
f. a selection unit (360), which is designed to select the at least one AI module (14) if the robustness value (41) is greater than or equal to the at least one threshold value (51) and is designed to use the computing unit (330) to activate using the configuration unit (320) if the robustness value (41) is less than or equal to the at least one threshold value (51) or to output an indication if the stop criterion (21) is met.
Description
Die Erfindung betrifft ein System zur automatischen Auswahl und/oder Bewertung mindestens eines KI-Moduls und zur Klassifikation und/oder Regression von Eingangsdaten, ein computerlesbares Speichermedium und ein System zur Klassifikation und/oder Regression von Eingangsdaten.The invention relates to a system for the automatic selection and/or evaluation of at least one AI module and for the classification and/or regression of input data, a computer-readable storage medium and a system for the classification and/or regression of input data.
Methoden des maschinellen Lernens und der künstlichen Intelligenz (KI-Modelle) sind heute in einer Vielzahl von Wirtschaftsbereichen Bestandteil der Prozesskette. Dabei übernehmen solche Methoden immer mehr Kernaufgaben. Insbesondere kommen Methoden der künstlichen Intelligenz Aufgaben zu, die sicherheitskritisch sind. Beispielsweise ist es beim autonomen Fahren notwendig, dass Algorithmen die Umgebung eines Fahrzeugs analysieren und entsprechende Steueranweisungen unter Berücksichtigung der aktuellen Fahrsituation an das Fahrzeug ausgeben.Methods of machine learning and artificial intelligence (AI models) are now part of the process chain in a large number of economic sectors. Such methods are taking on more and more core tasks. In particular, methods of artificial intelligence are assigned tasks that are safety-critical. For example, in autonomous driving, it is necessary for algorithms to analyze the vehicle's surroundings and issue appropriate control instructions to the vehicle, taking into account the current driving situation.
Viele der verwendeten Methoden der künstlichen Intelligenz und des maschinellen Lernens werden zunächst mit Trainingsdaten trainiert. Durch das Training werden Parameter der Modelle bzw. Algorithmen eingestellt. Durch die Komplexität der Modelle, d. h. die Anzahl der einzustellenden Parameter ist es in praktischen Anwendungen einem Menschen nicht möglich, das Verhalten der trainierten Modelle vorherzusagen. Die Modelle arbeiten somit nach einem sogenannten Blackbox Prinzip.Many of the artificial intelligence and machine learning methods used are first trained with training data. The parameters of the models or algorithms are set by the training. Due to the complexity of the models, i. H. Due to the number of parameters to be set, it is not possible for a person to predict the behavior of the trained models in practical applications. The models thus work according to a so-called black box principle.
Um entsprechende Modelle bzw. Algorithmen auszuwählen bzw. für den praktischen Einsatz freizugeben, ist es daher notwendig, die Qualität der Modelle bzw. Algorithmen zu beurteilen. Dies ist insbesondere im Zusammenhang mit einer Zertifizierung notwendig. So ist es alleine aus haftungsrechtlichen Gründen unerlässlich, dass Algorithmen, die in sicherheitskritischen Bereichen arbeiten, objektiv zertifiziert sind.In order to select appropriate models or algorithms or to release them for practical use, it is therefore necessary to assess the quality of the models or algorithms. This is particularly necessary in connection with certification. For liability reasons alone, it is essential that algorithms that work in security-critical areas are objectively certified.
Ein Aspekt, der hinsichtlich einer Zertifizierung von besonderem Interesse ist, ist die Beurteilung der Robustheit eines KI-Modells. Die Robustheit beschreibt dabei die Fähigkeit eines KI-Modells mit fehlerhaften, unbekannten oder adversarialen (manipulierten) Eingabedaten zu arbeiten. So sollte bei einem qualitativ hochwertigen KI-Modell die Ausgabe nicht durch ein leichtes Rauschen in den Eingabedaten verändert werden. Zum Beispiel könnte es sein, dass die Linse einer Kamera eines Fahrzeugs mit leichtem Schmutz oder einem Staubfilm bedeckt ist. Dieser Schmutz oder Staubfilm sollte nicht dazu führen, dass Objekte innerhalb des Bildes unterschiedlich klassifiziert werden.One aspect that is of particular interest with regard to certification is the assessment of the robustness of an AI model. The robustness describes the ability of an AI model to work with incorrect, unknown or adversarial (manipulated) input data. For example, with a high-quality AI model, the output should not be changed by a slight noise in the input data. For example, the lens of a vehicle's camera might be covered with light dirt or a film of dust. This dirt or film of dust should not cause objects within the image to be classified differently.
Die Beurteilung der Robustheit eines KI-Modells ist bisher nur ungenügend gelöst. So haben bestehende Verfahren den Nachteil, dass keine systematische und vergleichbare Beurteilung der Robustheit durchgeführt wird. Darüber hinaus ist ein wesentliches Problem, dass die Anzahl der zu berechnenden Fälle und Eingabeparameter sehr groß sein kann. Dies führt dazu, dass einerseits große Prozessorressourcen notwendig sind, um die notwendigen Berechnungen auszuführen, und andererseits eine große Speichermenge notwendig ist, um die erzielten Ergebnisse zu speichern und entsprechend auszuwerten.The assessment of the robustness of an AI model has so far only been insufficiently solved. Existing methods have the disadvantage that no systematic and comparable assessment of robustness is carried out. In addition, a significant problem is that the number of cases and input parameters to be calculated can be very large. This means that, on the one hand, large processor resources are required to carry out the necessary calculations and, on the other hand, a large amount of memory is required to store the results obtained and evaluate them accordingly.
Es ist ferner notwendig, mehrere KI-Modelle miteinander vergleichen zu können. Dies kann insbesondere unter Berücksichtigung der Robustheit geschehen. Dadurch ist es möglich, das beste Modell hinsichtlich festgelegter Qualitätskriterien aus einer Menge verschiedener KI-Modelle auszuwählen. It is also necessary to be able to compare several AI models with each other. This can be done in particular taking into account the robustness. This makes it possible to select the best model with regard to specified quality criteria from a large number of different AI models.
KI-Modelle werden üblicherweise durch KI-Module implementiert, wobei ein KI-Modul dann eine Sammlung von Softwareprogrammen angibt, die das KI-Modell implementieren.AI models are typically implemented by AI modules, with an AI module then specifying a collection of software programs that implement the AI model.
Es ist daher Aufgabe der Erfindung, ein KI-Modul unter Berücksichtigung der Robustheit auszuwählen. Es ist insbesondere Aufgabe der Erfindung, einen effizienten Prozess zur Bewertung der Robustheit anzugeben. Es ist ferner insbesondere Aufgabe der Erfindung, eine Möglichkeit zu schaffen, unterschiedliche KI-Module miteinander zu vergleichen.It is therefore the object of the invention to select an AI module taking its robustness into account. It is in particular the object of the invention to specify an efficient process for evaluating the robustness. It is also a particular object of the invention to create a way of comparing different AI modules with one another.
Die Aufgabe wird gelöst durch ein System nach Anspruch 1, ein computerlesbares Speichermedium nach Anspruch 9 und ein System nach Anspruch 18.The object is solved by a system according to claim 1, a computer-readable storage medium according to claim 9 and a system according to
Die Aufgabe wird insbesondere gelöst durch ein System, insbesondere eine Vorrichtung, zur automatischen Auswahl und/oder Bewertung mindestens eines KI-Moduls, umfassend:
- a. Eine Empfangseinheit (310), die dazu ausgebildet ist, Eingabedaten zu empfangen, wobei die Eingabedaten
- ◯ Ungestörte Daten mit mindestens einem ungestörten Datenelement,
- ◯ mindestens ein zur Klassifikation und/oder Regression ausgebildetes KI-Modul,
- ◯ mindestens eine Beurteilungsmetrik, und
- ◯ mindestens eine Methode zum Generieren von Störungen mit mindestens einem Störungsparameter;
- b. Eine Konfigurationseinheit (320), die dazu ausgebildet ist, einen Störungsparameterwert für den mindesten einen Störungsparameter und eines Stoppkriteriums festzulegen, und
- c. Eine Recheneinheit (330), die dazu ausgebildet ist, Abweichungen durch Berechnen der mindestens einen Beurteilungsmetrik unter Verwendung der ungestörten Daten, des mindestens einen KI-Moduls und der mindestens einen Methode zum Generieren von Störungen zu bestimmen;
- d. Eine Robustheitsbestimmungseinheit (340), die dazu ausgebildet ist, mindestens einen Robustheitswert für das mindestens eine KI-Modul unter Verwendung der berechneten Abweichungen zu bestimmen;
- e. Eine Vergleichseinheit (350), die dazu ausgebildet ist, den mindestens einen Robustheitswertes mit mindestens einem Schwellwert zu vergleichen und
- f. Eine Auswahleinheit (360), die dazu ausgebildet ist, das mindestens eine KI-Modul auszuwählen, wenn der Robustheitswert größer gleich dem mindestens einen Schwellwert ist und dazu ausgebildet ist, die Recheneinheit (330) unter Verwendung der Konfigurationseinheit (320) zu aktivieren, wenn der Robustheitswert kleiner gleich dem mindestens einem Schwellwert ist oder einen Hinweis auszugeben, wenn das Stoppkriterium (21) erfüllt ist.
- a. A receiving unit (310) which is designed to receive input data, the input data
- ◯ Undisturbed data with at least one undisturbed data element,
- ◯ at least one AI module designed for classification and/or regression,
- ◯ at least one assessment metric, and
- ◯ at least one method for generating disturbances with at least one disturbance parameter;
- b. A configuration unit (320) which is designed to define a fault parameter value for the at least one fault parameter and a stop criterion, and
- c. A computing unit (330) configured to determine deviations by calculating the at least one assessment metric using the undisturbed data, the at least one AI module and the at least one method for generating disturbances;
- i.e. A robustness determination unit (340) which is designed to determine at least one robustness value for the at least one AI module using the calculated deviations;
- e. A comparison unit (350) which is designed to compare the at least one robustness value with at least one threshold value and
- f. A selection unit (360), which is designed to select the at least one AI module if the robustness value is greater than or equal to the at least one threshold value and is designed to activate the computing unit (330) using the configuration unit (320). , if the robustness value is less than or equal to the at least one threshold value, or to output a message if the stop criterion (21) is met.
Ein Kern der Erfindung ist, dass ein KI-Modul so lange auf Robustheit geprüft wird, bis dieses entweder nicht mehr vorgegebenen Qualitätskriterien entspricht oder ein Stoppkriterium erfüllt ist. Bei dem Stoppkriterium kann es sich beispielsweise um eine Angabe handeln, dass das KI-Modul ausreichend robust ist und eine weitere Prüfung nicht mehr notwendig ist. Diese Prüfung wird durch die Auswahleinheit umgesetzt, wobei der Vergleich des Robustheitswertes mit dem Schwellwert (durch die Vergleichseinheit) als Grundlage zur Prüfung einer ausreichenden Robustheit herangezogen wird. So kann vorgesehen sein, dass, wenn die Robustheit des KI-Moduls unter dem Schwellwert liegt, aber das Stoppkriterium nicht erfüllt ist, das KI-Modul nochmals mit einem anderen Parameter geprüft wird. Dazu können die angewandten Beurteilungsmetriken, die verwendeten Methoden zum Generieren von Störungen oder auch die zugehörigen Störungsparameter verändert werden.A core of the invention is that an AI module is checked for robustness until it either no longer meets specified quality criteria or a stop criterion is met. The stop criterion can be, for example, an indication that the AI module is sufficiently robust and further testing is no longer necessary. This check is implemented by the selection unit, the comparison of the robustness value with the threshold value (by the comparison unit) being used as the basis for checking sufficient robustness. Provision can thus be made for the AI module to be checked again with a different parameter if the robustness of the AI module is below the threshold value but the stop criterion is not met. For this purpose, the assessment metrics used, the methods used to generate faults or the associated fault parameters can be changed.
Es ist zum Beispiel denkbar, dass ein KI-Modul hinsichtlich einer Methode zum Generieren von Störungen, die beispielsweise eine Drehung eines Bildes beschreibt, robust ausgebildet ist, hinsichtlich einer weiteren Methode zum Generieren von Störungen, die beispielsweise ein Rauschen angibt, jedoch nicht. Ein hochqualitatives KI-Modul sollte jedoch hinsichtlich einer Vielzahl unterschiedlicher Störungen bzw. Methoden zum Generieren von Störungen robust ausgebildet sein. Indem die Empfangseinheit, die Konfigurationseinheit, die Recheneinheit, die Robustheitsbestimmungseinheit, die Vergleichseinheit und/oder die Auswahleinheit jeweils dazu ausgebildet sind, ihre Funktionen sequenzielle bzw. rückgekoppelt auszuführen, werden unnötige Berechnungen verhindert. Wird nämlich bei einem ersten Durchlauf bereits festgestellt, dass ein KI-Modul nicht über die notwendige Robustheit hinsichtlich einer einzigen Art von Störungen bzw. Methode zum Generieren von Störungen verfügt, so kann auf weitere Berechnungen verzichtet werden, da das KI-Modul insgesamt somit eine unzureichende Robustheit aufweist.It is conceivable, for example, that an AI module is designed to be robust with regard to a method for generating disturbances, which describes a rotation of an image, for example, but not with regard to a further method for generating disturbances, which indicates noise, for example. However, a high-quality AI module should be designed to be robust with regard to a large number of different faults or methods for generating faults. Since the receiving unit, the configuration unit, the arithmetic unit, the robustness determination unit, the comparison unit and/or the selection unit are each designed to perform their functions sequentially or with feedback, unnecessary calculations are prevented. If it is already determined during a first run that an AI module does not have the necessary robustness with regard to a single type of fault or method for generating faults, then further calculations can be dispensed with, since the AI module as a whole thus has a insufficient robustness.
Bei den ungestörten Daten kann es sich zum Beispiel um Bilddaten, Audiodaten und/oder Textdaten handeln. Insbesondere bei Bilddaten kann es sich um Bilder in zeitlicher Reihenfolge, d. h. Videodaten handeln. „Ungestört“ bedeutet in diesem Zusammenhang, dass den Daten keine künstliche Störung hinzugefügt wurde. Ungestört beschreibt damit den Zustand der Daten zu einem Zeitpunkt bevor gestörte Daten durch Anwendung der Methode zum Generieren von Störungen erzeugt sind.The undisturbed data can be image data, audio data and/or text data, for example. Image data in particular can be images in chronological order, i. H. trade video data. "Undisturbed" in this context means that no artificial noise has been added to the data. Undisturbed describes the state of the data at a point in time before disturbed data is generated using the method for generating disturbances.
Bei einem KI-Modul kann es sich zum Beispiel um ein künstliches neuronales Netz handeln. Es sind jedoch auch KI-Module denkbar, die zum Beispiel als Bayessches Netz und/oder als k-Nearest-Neighbor-Algorithmus ausgebildet sind.An AI module can be an artificial neural network, for example. However, AI modules are also conceivable, which are designed, for example, as a Bayesian network and/or as a k-nearest-neighbor algorithm.
Eine Beurteilungsmetrik kann den Abstand von zwei Datenelementen in einem Vektorraum angeben. Dabei kann zum Beispiel der Abstand eines Datenelements der ungestörten Daten zu einem Datenelement von gestörten Daten durch eine Beurteilungsmetrik angegeben werden. Es ist ferner möglich, dass eine Beurteilungsmetrik den Abstand von Datenelementen angibt, die durch ein KI-Modul angegeben werden, z. B. durch Anwenden des KI-Moduls auf gestörte und ungestörte Daten. Somit kann die Beurteilungsmetrik den Abstand von Datenelementen in einem durch das KI-Modul angegebenen Vektorraum angeben.An assessment metric can indicate the distance of two data items in a vector space. In this case, for example, the distance between a data element of the undisturbed data and a data element of disturbed data can be specified by an assessment metric. It is also possible that an assessment metric indicates the distance of data items indicated by an AI module, e.g. B. by applying the AI module to disturbed and undisturbed data. Thus, the assessment metric can indicate the spacing of data items in a vector space specified by the AI engine.
Die mindestens eine Beurteilungsmetrik kann in einer Ausführungsform die Genauigkeit einer Klassifikation angeben. Dabei können die ungestörten Daten als Bilddaten ausgebildet sein und das mindestens eine KI-Modul kann dazu ausgebildet sein, jedem Pixel eines Bildes eine Klasse zuzuordnen. Die mindestens eine Beurteilungsmetrik kann den Prozentsatz der Pixel angeben, deren Klassifikation sich durch hinzugefügte Störungen nicht verändert hat.In one embodiment, the at least one assessment metric may indicate the accuracy of a classification. The undisturbed data can be designed as image data and the at least one AI module can be designed to assign a class to each pixel of an image. The at least one assessment metric may indicate the percentage of pixels whose classification has not changed due to added noise.
In einer Ausführungsform kann die mindestens eine Methode zum Generieren von Störungen als eine Drehung und/oder Normalverteilung ausgebildet sein, wobei der mindestens eine Störungsparameterwert eine Winkelgröße und/oder Varianz angeben kann. In einer Ausführungsform ist es möglich, dass gestörte Daten durch das Abtasten (Englisch: „samplen“) über einen Parameterraum generiert werden.In one embodiment, the at least one method for generating perturbations can be embodied as a rotation and/or normal distribution, wherein the at least one perturbation parameter value can indicate an angular magnitude and/or variance. In one embodiment, it is possible for noisy data to be generated by sampling over a parameter space.
Eine Methode zum Generieren von Störungen kann als eine Drehung ausgebildet sein. Das Verwenden einer Drehung als Methode zum Generieren von Störungen ist besonders dann vorteilhaft, wenn es sich bei den ungestörten Daten um Bilddaten handelt. Ein robustes KI-Modul sollte in der Lage sein, rotationsinvariant richtige Ergebnisse zu liefern. Unter Verwendung der Winkelgröße können eine Vielzahl von gestörten Daten erzeugt werden. So kann in einer Ausführungsform als Winkelgröße 3° angegeben sein, sodass Störungen für den Bereich 0° bis 360° in 3° Abständen erzeugt werden.A method for generating disturbances can be implemented as a rotation. Using rotation as a method for generating perturbations is particularly advantageous when the undistorted data is image data. A robust AI engine should be able to provide rotationally invariant correct results. A variety of noisy data can be generated using the angular magnitude. In one embodiment, 3° can be specified as the angular size, so that interference for the range from 0° to 360° is generated at 3° intervals.
In einer Ausführungsform kann das mindestens eine Stoppkriterium eine maximale Anzahl von ungestörten Datenelementen, eine maximale Anzahl von gestörten Datenelementen, einen maximalen Integralwert über die Abweichungen und/oder das Vorhandensein von vordefinierten Mustern, insbesondere in den Abweichungen, angeben.In one embodiment, the at least one stop criterion can indicate a maximum number of undisturbed data elements, a maximum number of disturbed data elements, a maximum integral value over the deviations and/or the presence of predefined patterns, in particular in the deviations.
Das mindestens eine Stoppkriterium kann angeben, wann ein KI-Modul über eine ausreichende Robustheit verfügt und entsprechend zur weiteren Verwendung ausgewählt werden kann. Somit ist sichergestellt, dass das ausgewählte KI-Modul über eine hinreichende Robustheit verfügt. Dies ist zum Beispiel dann der Fall, wenn sich bei einer hinreichenden Anzahl von Datenelementen gezeigt hat, dass das KI-Modul robust ist. Eine weitere Möglichkeit besteht darin, die Abweichungen zu summieren, d. h. ein Integral zu bilden, und festzustellen, ob die Summe bzw. das Integral größer als ein maximaler Integralwert ist. Darüber hinaus ist es denkbar, zu prüfen, ob in den Abweichungen vordefinierte Muster zu erkennen sind. Diese Mustererkennung kann in einer Ausführungsform mit einem weiteren KI-Modul ausgeführt werden.The at least one stop criterion can indicate when an AI module has sufficient robustness and can be selected accordingly for further use. This ensures that the selected AI module is sufficiently robust. This is the case, for example, if a sufficient number of data elements has shown that the AI module is robust. Another possibility is to sum the deviations, i. H. form an integral and determine whether the sum or integral is greater than a maximum integral value. In addition, it is conceivable to check whether predefined patterns can be recognized in the deviations. In one embodiment, this pattern recognition can be carried out with a further AI module.
In einer Ausführungsform kann die Konfigurationseinheit ferner dazu ausgebildet sein, das Festlegen des Störungsparameterwertes und des Stoppkriteriums ferner mit einem Festlegen einer Erzeugungsstrategie zum Erzeugen von gestörten Daten auszuführen. Zum Beispiel könnte die Erzeugungsstrategie angeben, dass gestörte Daten durch zufälliges Abtasten einer Störungsverteilung, die durch die Methode zum Generieren von Störungen angegeben sein kann, erzeugt werden. Es ist ferner möglich, dass gestörte Daten durch eine Rastersuche (Englisch: „Grid-Search“) erzeugt werden, bei der gestörte Daten für bestimmte Parameterbereiche erzeugt werden.In one embodiment, the configuration unit can also be designed to define the disruption parameter value and the stop criterion by specifying a generation strategy for generating disrupted data. For example, the generation strategy could specify that noisy data is generated by randomly sampling a noise distribution, which may be specified by the noise generation method. It is also possible that noisy data are generated by a grid search (English: "grid search"), in which noisy data are generated for certain parameter ranges.
In einer Ausführungsform können die Eingabedaten mindestens zwei Methoden zum Generieren von Störungen angeben. Die Konfigurationseinheit, die Recheneinheit, die Robustheitsbestimmungseinheit, die Vergleichseinheit und die Auswahleinheit können entsprechend dazu ausgebildet sein, die zwei Methoden zum Generieren von Störungen entsprechend ihrer jeweiligen Funktion zu verarbeiten.In one embodiment, the input data can indicate at least two methods for generating disturbances. The configuration unit, the arithmetic unit, the robustness determination unit, the comparison unit and the selection unit can be designed accordingly to process the two methods for generating faults according to their respective function.
Es ist also ebenfalls denkbar, dass ein KI-Modul für eine Vielzahl von Methoden zum Generieren von Störungen auf Robustheit geprüft werden kann. Insbesondere ist es in einer Ausführungsform vorgesehen, dass die Konfigurationseinheit, die Recheneinheit, die Robustheitsbestimmungseinheit, die Vergleichseinheit und/oder die Auswahleinheit jeweils dazu ausgebildet sind, in einem ersten Verarbeitungsdurchgang ihre Funktionen unter Berücksichtigung bzw. Verwendung der ersten Methode zum Generieren von Störungen auszuführen und in einem zweiten Verarbeitungsdurchgang ihre Funktionen unter Berücksichtigung bzw. Verwendung einer zweiten Methode zum Generieren von Störungen auszuführen.It is therefore also conceivable that an AI module can be tested for robustness for a large number of methods for generating faults. In particular, one embodiment provides that the configuration unit, the computing unit, the robustness determination unit, the comparison unit and/or the selection unit are each designed to carry out their functions in a first processing pass, taking into account or using the first method for generating faults and perform their functions in a second processing pass, taking into account or using a second method for generating disturbances.
Dabei kann die Auswahleinheit dazu ausgebildet sein, nach jedem Durchlauf zu prüfen, ob der Schwellwert unter- oder überschritten ist, oder das Stoppkriterium erfüllt ist. Selbstverständlich können die Einheiten ihre Funktion für mehr als zwei Methoden zum Generieren von Störungen ausführen. Darüber hinaus es ist auch denkbar, dass in jedem Durchgang eine einzige Methode zum Generieren von Störungen unterschiedlich parametriert wird. Auch ist es denkbar, dass in unterschiedlichen Durchgängen unterschiedliche Beurteilungsmetriken zur Bestimmung der Abweichungen herangezogen werden. So ist es denkbar, in einem ersten Verarbeitungsdurchgang eine erste Beurteilungsmetrik heranzuziehen und in einem zweiten Verarbeitungsdurchgang eine zweite Beurteilungsmetrik heranzuziehen.In this case, the selection unit can be designed to check after each run whether the threshold value has been undercut or exceeded, or whether the stop criterion has been met. Of course, the units can perform their function for more than two methods of generating disturbances. In addition, it is also conceivable that a single method for generating faults is parameterized differently in each run. It is also conceivable that different assessment metrics are used to determine the deviations in different runs. It is thus conceivable to use a first assessment metric in a first processing pass and to use a second assessment metric in a second processing pass.
Insgesamt kann so durch das Einstellen weniger Parameter eine große Anzahl unterschiedlicher Situationen geprüft werden, sodass die Robustheit des KI-Moduls umfassend beurteilt wird.Overall, a large number of different situations can be checked by setting a few parameters, so that the robustness of the AI module can be comprehensively assessed.
In einer Ausführungsform kann das die Konfigurationseinheit dazu ausgebildet sein, eine Reihenfolge von mindestens zwei Methoden zum Generieren von Störungen festzulegen, wobei das Festlegen der Reihenfolge insbesondere unter Berücksichtigung der Berechnungskomplexität für jede Methode zum Generieren von Störungen ausgeführt werden kann.In one embodiment, the configuration unit can be designed to specify a sequence of at least two methods for generating faults, wherein the sequence can be specified taking into account the calculation complexity for each method for generating faults.
Durch das Vorgehen kann automatisiert durch die Konfigurationseinheit ebenfalls die Reihenfolge der Prüfung unterschiedlicher Methoden zum Generieren von Störungen in unterschiedlichen Verarbeitungsdurchgängen festgelegt werden. Dabei kann die Reihenfolge unter Berücksichtigung der Berechnungskomplexität der Methoden zum Generieren von Störungen festgelegt werden. Die Berechnungskomplexität kann beispielsweise durch die Anzahl der Parameter der jeweiligen Methode zum Generieren von Störungen (Engl.: „Random Parameter“) angegeben sein.As a result of the procedure, the sequence of checking different methods for generating faults in different processing runs can also be defined automatically by the configuration unit. The order can be determined taking into account the computational complexity of the methods for generating disturbances. The calculation complexity can be specified, for example, by the number of parameters of the respective method for generating disturbances (“random parameters”).
In einer Ausführungsform können die mindestens zwei Methoden zum Generieren von Störungen unkorreliert ausgebildet sein. Die Effektivität eines Verarbeitungsdurchgangs kann maximiert werden, wenn die angewandten Methoden zum Generieren von Störungen unkorreliert ausgebildet sind bzw. zueinander unkorreliert Störungen generieren. Das bedeutet, dass in jedem Durchlauf die Robustheit hinsichtlich unterschiedlicher Kriterien geprüft wird. Unkorreliert kann in diesem Zusammenhang bedeuten, dass kein statistischer Zusammenhang zwischen den durch die jeweiligen Methoden zum Generieren von Störungen generierten Störungen existiert.In one embodiment, the at least two methods for generating interference can be uncorrelated. The effectiveness of a processing run can be maximized if the methods used to generate interference are designed to be uncorrelated or generate interference uncorrelated with one another. This means that the robustness is checked with regard to different criteria in each run. In this context, uncorrelated can mean that there is no statistical connection between the faults generated by the respective methods for generating faults.
In einer Ausführungsform ist es zum Beispiel möglich, dass die mindestens zwei Methoden zum Generieren von Störungen hinsichtlich eines Maßes für die Unterschiedlichkeit von Wahrscheinlichkeitsverteilungen einen Mindestabstand aufweisen. Zum Beispiel können die mindestens zwei Methoden zum Generieren von Störungen mittels der Kullback-Leibler-Divergenz und/oder der Wassersteinmetrik miteinander verglichen werden bzw. ihr Abstand voneinander bestimmt werden. Wenn die erste und die zweite Methode zum Genieren von Störungen hinreichend voneinander verschieden sind, dann können diese als unkorreliert bezeichnet werden.In one embodiment, it is possible, for example, for the at least two methods for generating disturbances to have a minimum distance with regard to a measure of the difference in probability distributions. For example, the at least two methods for generating disturbances using the Kullback-Leibler divergence and/or the Wasserstein metric can be compared with one another or their distance from one another can be determined. If the first and second methods of generating perturbations are sufficiently different from each other, then they can be said to be uncorrelated.
In einer Ausführungsform kann ein Vergleich des Abstandes der mindestens zwei Methoden zum Generieren von Störungen mit einem Mindestabstand durchgeführt werden, wobei das der Durchgang nur fortgeführt wird, wenn die mindestens zwei Methoden zum Generieren von Störungen hinsichtlich des verwendeten Maßes für die Unterschiedlichkeit weiter als der Mindestabstand voneinander beabstandet sind.In one embodiment, the distance of the at least two methods for generating disturbances can be compared with a minimum distance, with the run only being continued if the at least two methods for generating disturbances are further than the minimum distance with regard to the measure used for the difference are spaced apart.
In einer Ausführungsform kann der Schwellwert als Robustheitswert eines zweiten KI-Moduls ausgebildet sein.In one embodiment, the threshold value can be embodied as a robustness value of a second AI module.
In der vorstehend beschriebenen Ausführungsform kann ein Robustheitswert eines KI-Moduls als Schwellwert innerhalb des beschriebenen Ablaufs angewandt werden. Dadurch ist es möglich, unterschiedliche KI-Module miteinander zu vergleichen und das qualitativ hochwertigste KI-Modul auszuwählen. Es ist zum Beispiel in einer Ausführungsform denkbar, dass die Empfangseinheit, die Konfigurationseinheit, die Recheneinheit, die Robustheitsbestimmungseinheit, die Vergleichseinheit und/oder die Auswahleinheit jeweils dazu ausgebildet sind, ihre jeweilige Funktion zunächst für ein erstes KI-Modul und anschließend für ein zweites KI-Modul auszuführen. Dabei kann der ermittelte Robustheitswert des ersten KI-Moduls als Schwellwert für das zweite KI-Modul herangezogen werden. Somit kann die Vergleichseinheit dazu ausgebildet sein, ein Auswählen eines KI-Moduls durch das Vergleichen der Robustheitswerte des ersten und des zweiten KI-Moduls auszuführen.In the embodiment described above, a robustness value of an AI module can be applied as a threshold value within the described process. This makes it possible to compare different AI modules with each other and select the highest-quality AI module. It is conceivable, for example, in one embodiment that the receiving unit, the configuration unit, the computing unit, the robustness determination unit, the comparison unit and/or the selection unit are each designed to carry out their respective function initially for a first AI module and then for a second AI -Execute module. The determined robustness value of the first AI module can be used as a threshold value for the second AI module. The comparison unit can thus be designed to carry out a selection of an AI module by comparing the robustness values of the first and the second AI module.
In einer Ausführungsform kann insbesondere die Konfigurationseinheit dazu ausgebildet sein, ein Auswählen der ungestörten Daten zumindest teilweise durch Abtasten (Englisch: „samplen“) einer Verteilungsfunktion auszuführen.In one embodiment, in particular, the configuration unit can be designed to select the undisturbed data at least partially by sampling a distribution function.
Neben der Möglichkeit, die ungestörten Daten unmittelbar zu empfangen, ist es auch möglich, die ungestörten Daten aus einer Verteilungsfunktion abzutasten. Dabei können die Parameter der Verteilungsfunktion mit vorzugsweise zufällig gewählten Werten befüllt werden, um so ungestörte Daten zu erzeugen.In addition to the possibility of receiving the undisturbed data directly, it is also possible to sample the undisturbed data from a distribution function. In this case, the parameters of the distribution function can be filled with preferably randomly selected values in order to generate undisturbed data in this way.
Die Aufgabe wird ferner insbesondere gelöst durch ein System zur Klassifikation und/oder Regression von Eingangsdaten, Folgendes aufweisend:
- - eine Auswahleinheit zum automatisierten Auswählen eines KI-Moduls, insbesondere unter Verwendung eines vorgegebenen Ziel-Robustheitswertes, der z. B. durch das System wie vorstehend beschrieben als Schwellwert verwendet wird;
- - eine Trainingseinheit, die dazu ausgebildet ist das ausgewählte KI-Modul mit Trainingsdaten zu trainieren;
- - eine Empfangseinheit, die zum Empfangen von Eingangsdaten ausgebildet ist;
- - eine Ausführungseinheit, die zum Ausführen einer Klassifikation und/oder Regression für die Eingangsdaten unter Verwendung des ausgewählten KI-Moduls ausgebildet ist.
- - a selection unit for the automated selection of an AI module, in particular using a predetermined target robustness value, the z. B. used as a threshold by the system as described above;
- - a training unit that is designed to train the selected AI module with training data;
- - a receiving unit, which is designed to receive input data;
- - an execution unit which is designed to carry out a classification and/or regression for the input data using the selected AI module.
Mit dem vorstehend beschriebenen System ist es möglich, ein ausgewähltes KI-Modul zur Klassifikation und/oder Regression einzusetzen. Dadurch ist es möglich, eine hohe Qualität der Klassifikation bzw. Regression sicherzustellen.With the system described above it is possible to use a selected AI module for classification and/or regression. This makes it possible to ensure a high quality of the classification or regression.
Die Eingangsdaten und/oder Trainingsdaten können derart gewählt sein, dass sie von einer identischen Art wie die gestörten bzw. ungestörten Daten sind. Zum Beispiel können die Eingangsdaten und/oder Trainingsdaten als Audiodaten ausgebildet sein, wenn die gestörten bzw. ungestörten Daten ebenfalls als Audiodaten ausgebildet sind. Die Eingangsdaten und/oder Trainingsdaten sowie die gestörten bzw. ungestörten Daten können daher hinsichtlich einer Vielzahl von Merkmalen identisch sein. Insbesondere können die Eingangsdaten und/oder Trainingsdaten sowie die gestörten bzw. ungestörten Daten ein zumindest ähnliches statistisches Verhalten aufweisen und/oder ein gleiches Dateiformat besitzen.The input data and/or training data can be chosen in such a way that they are of an identical type as the noisy or noisy data. For example, the input data and/or training data can be in the form of audio data if the disturbed or undisturbed data are also in the form of audio data. The input data and/or training data and the disturbed or undisturbed data can therefore be identical with regard to a large number of features. In particular, the input data and/or training data and the disturbed or undisturbed data can have at least a similar statistical behavior and/or have the same file format.
Die Aufgabe wird ferner insbesondere gelöst durch ein computerlesbares Speichermedium, welches Instruktionen enthält, die mindestens einen Prozessor dazu veranlassen, ein Verfahren zu implementieren, wobei das Verfahren folgende Schritte aufweist:
- a. Empfangen von Eingabedaten, wobei die Eingabedaten
- ◯ Ungestörte Daten mit mindestens einem ungestörten Datenelement,
- ◯ mindestens ein zur Klassifikation und/oder Regression ausgebildetes KI-Modul,
- ◯ mindestens eine Beurteilungsmetrik, und
- ◯ mindestens eine Methode zum Generieren von Störungen mit mindestens einem Störungsparameter;
- b. Festlegen eines Störungsparameterwertes für den mindestens einen Störungsparameter und eines Stoppkriteriums, und
- c. Bestimmen von Abweichungen durch Berechnen der mindestens einen Beurteilungsmetrik unter Verwendung der ungestörten Daten, des mindestens einen KI-Moduls und der mindestens einen Methode zum Generieren von Störungen;
- d. Bestimmen mindestens eines Robustheitswertes für das mindestens eine KI-Modul unter Verwendung der berechneten Abweichungen;
- e. Vergleichen des mindestens einen Robustheitswertes mit mindestens einem Schwellwert; und
- f. Auswählen des mindestens einen KI-Moduls, wenn der Robustheitswert größer gleich dem mindestens einen Schwellwert ist oder Wiederholen der Schritte b bis f, wenn der Robustheitswert kleiner gleich dem mindestens einen Schwellwert ist oder Abbrechen des Verfahrens, wenn das Stoppkriterium erfüllt ist.
- a. Receiving input data, the input data
- ◯ Undisturbed data with at least one undisturbed data element,
- ◯ at least one AI module designed for classification and/or regression,
- ◯ at least one assessment metric, and
- ◯ at least one method for generating disturbances with at least one disturbance parameter;
- b. Defining a disturbance parameter value for the at least one disturbance parameter and a stopping criterion, and
- c. determining deviations by calculating the at least one assessment metric using the undistorted data, the at least one AI module, and the at least one method for generating disturbances;
- i.e. determining at least one robustness value for the at least one AI module using the calculated deviations;
- e. comparing the at least one robustness value to at least one threshold value; and
- f. Selecting the at least one AI module if the robustness value is greater than or equal to the at least one threshold value or repeating steps b to f if the robustness value is less than or equal to the at least one threshold value or aborting the method if the stop criterion is met.
Es ergeben sich ähnliche oder identische Vorteile, wie sie bereits im Zusammenhang mit den vorstehend beschriebenen System beschrieben worden sind.Similar or identical advantages result as have already been described in connection with the system described above.
Weitere Ausführungsformen ergeben sich aus den Unteransprüchen.Further embodiments emerge from the dependent claims.
Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen näher erläutert. Dabei zeigen:
-
1 : ein Flussdiagramm eines Verfahrens zur Auswahl eines KI-Moduls; -
2 : eine schematische Darstellung von Eingabedaten; -
3 : ein Flussdiagramm eines Verfahrens zur Klassifikation und/oder Regression; und -
4 : eine schematische Darstellung einer Vorrichtung zur Auswahl eines KI-Moduls.
-
1 : a flowchart of a method for selecting an AI module; -
2 : a schematic representation of input data; -
3 : a flow chart of a method for classification and/or regression; and -
4 : a schematic representation of a device for selecting an AI module.
Im Folgenden werden für gleiche oder gleichwirkende Teile dieselben Bezugsziffern verwendet.In the following, the same reference numerals are used for parts that are the same or have the same effect.
Die
Die Eingabedaten 11 werden in einem Festlegungsschritt 20 weiterverarbeitet. In dem Festlegungsschritt 20 wird mindestens einem Störungsparameter 17 (siehe
Darüber hinaus wird im Festlegungsschritt 20 ein Stoppkriterium 21 festgelegt. Das Stoppkriterium 21 legt fest, wann das Verfahren 100 beendet werden soll. Auch das Stoppkriterium 21 kann durch eine Benutzereingabe, ein Kommunikationsnetzwerk oder eine Internetverbindung empfangen oder aus einem Speicher ausgelesen werden.In addition, a
In dem Bestimmungsschritt 30 werden durch das Berechnen mindestens einer in den Eingabedaten 11 enthaltenen Beurteilungsmetrik 15 Abweichungen 31 bestimmt. Dabei wird das Berechnen unter Berücksichtigung von in den Eingabedaten 11 angegebenen ungestörten Daten 12, der mindestens einen Methode zum Generieren von Störungen 16, 16' sowie eines KI-Moduls 14 ausgeführt.In the
Im Anschluss an den Bestimmungsschritt 30 wird in einem weiteren Bestimmungsschritt 40 mindestens ein Robustheitswert 41 für das KI-Modul 14 unter Verwendung der berechneten Abweichungen 31 bestimmt.Following the
Der bestimmte Robustheitswert 41 wird in einem anschließenden Vergleichsschritt 50 mit einem Schwellwert 51 verglichen. Der Schwellwert 51 kann entweder durch einen Benutzer vorgegeben sein oder aus einem Speicher ausgelesen sein. Insbesondere kann der Schwellwert 51 als der Robustheitswert eines zweiten KI-Moduls ausgebildet sein. In dem Vergleichsschritt 50 kann entweder - je nach gewähltem Schwellwert 51 - geprüft werden, ob der bestimmte Robustheitswert 41 größer gleich bzw. kleiner gleich dem Schwellwert 51 ist.The
Wird bei dem Vergleich festgestellt, dass der Robustheitswert 41 das Vergleichskriterium erfüllt, d. h. größer gleich bzw. kleiner gleich dem Schwellwert 51 ist, dann wird das Verfahren 100 in dem Festlegungsschritt 20 fortgeführt. Dabei wird beim zweiten Ausführen des Festlegungsschritts 20 eine andere Parametrisierung der Methode zum Generieren von Störungen 16 vorgenommen oder es wird eine zweite Methode zum Generieren von Störungen 16' verwendet, die auch durch die Eingabedaten angegeben sein kann. Darüber hinaus ist es auch denkbar, dass andere ungestörte Daten 12 verwendet werden. Auch ist es denkbar, dass beim zweiten Ausführen des Festlegungsschritts 20 ein anderes Stoppkriterium 21 angenommen wird.If it is determined during the comparison that the
Durch den Vergleich des Vergleichsschritts 50 wird somit die Robustheit des KI-Moduls 14 mit einem Referenzwert, also dem Schwellwert, verglichen. Darüber hinaus wird geprüft, ob das KI-Modul 14 ein Stoppkriterium 21 erfüllt. In dem gezeigten Ausführungsbeispiel kann zum Beispiel vorgesehen sein, dass die Robustheit des KI-Moduls 14 hinsichtlich einer hinreichenden Anzahl von gestörten Daten bzw. ungestörten Daten geprüft worden ist.The comparison of the
Ist das Stoppkriterium 21 nicht erfüllt und wird das Verfahren 100 nicht im Festlegungsschritt 20 fortgeführt, so wird das KI-Modul 14 im Auswahlschritt 60 ausgewählt.If
Die
Die Eingabedaten 11 geben die ungestörten Daten 12, das mindestens eine KI-Modul 14, die mindestens eine Beurteilungsmetrik 15 und die mindestens eine Methode zum Generieren von Störungen 16, 16' an. Die ungestörten Daten 12 umfassen mindestens ein Datenelement 13. Ein Datenelement 13 kann zum Beispiel eine Bild-, eine Audio- oder eine Textdatei angeben. Das mindestens eine KI-Modul 14 ist in dem gezeigten Ausführungsbeispiel als ein künstliches neuronales Netzwerk ausgebildet. Die Beurteilungsmetrik 15 ist dazu ausgebildet, unter Berücksichtigung der ungestörten Daten 12, des mindestens einen KI-Moduls 14 und der mindestens einen Methode zum Generieren von Störungen 16, 16' Abweichungen 31 zu bestimmen. Die Abweichungen 31 können dabei jeweils angeben, wie robust das KI-Modul 14 hinsichtlich der ungestörten Daten 12 und der mindestens einen Methode zum Generieren von Störungen 16, 16' arbeitet. Das bedeutet, dass die Abweichungen 31 angeben, wie sich das KI-Modul 14 bei dem Vorliegen von Störungen in zu verarbeitenden Daten verhält.The
Die mindestens eine Methode zum Generieren von Störungen 16, 16' wird durch mindestens einen Störungsparameter 17 parametriert. In einigen Ausführungsbeispielen ist es auch denkbar, dass die Methode zum Generieren von Störungen 16, 16' keinen Störungsparameter 17 aufweist. Von daher ist der Störungsparameter 17 als optional anzusehen. Durch das Verändern eines Störungsparameterwerts 18 des Störungsparameters 17 kann das Verhalten der Methode zum Generieren von Störungen 16, 16' verändert werden. In dem gezeigten Ausführungsbeispiel beschreibt die mindestens eine Methode zum Generieren von Störungen 16, 16' eine Rotation und der Störungsparameter 17 beschreibt eine Winkelgröße. Somit kann für jedes Datenelement 13 der ungestörten Daten 12 durch das Anwenden der mindestens einen Methode zum Generieren von Störungen 16, 16' eine Vielzahl von gestörten Daten erzeugt werden. Die gestörten Daten umfassen eine Vielzahl von gestörten Datenelementen. In dem Beispiel einer Rotation umfassen die gestörten Daten demnach Bilder, die gegenüber dem mindestens einen Datenelement 13 der ungestörten Daten 12 verdreht sind. Durch den Störungsparameter 17 wird angegeben, in welchen Winkelabständen die verdrehten Bilder erzeugt werden sollen. Wird zum Beispiel dem Störungsparameter 17 ein Störungsparameterwert 18 von 3° zugeordnet, so wird für jedes Datenelement 13 der ungestörten Daten 12 eine Vielzahl von gestörten Datenelementen erzeugt, die jeweils um mindestens 3° zueinander verdreht sind. So wird ein erstes gestörtes Datenelement gegenüber dem mindestens einen ungestörten Datenelement 13 um genau 3° verdreht sein. Ein zweites gestörtes Datenelement ist gegenüber dem ungestörten Datenelement 13 um 6° verdreht, usw.The at least one method for generating faults 16, 16' is parameterized by at least one
In der
Die
Im anschließenden Trainingsschritt 220 wird das KI-Modul 14 mit Trainingsdaten 221 trainiert. Nachdem das Training abgeschlossen ist, kann das trainierte KI-Modul 14 eingesetzt werden. Dazu werden im Empfangsschritt 230 Eingangsdaten 231 empfangen für die im Ausführungsschritt 240 eine Klassifikation oder Regression ausgeführt wird. Somit kann das ausgewählte KI-Modul 14 in einer Vielzahl unterschiedlicher Szenarien eingesetzt werden. Zum Beispiel ist es beim autonomen Fahren notwendig, Objekte in der Nähe eines Fahrzeugs zu klassifizieren und Bilder entsprechend zu segmentieren. Durch das Verwenden von KI-Modulen 14, die über eine getestete Robustheit verfügen, kann die Sicherheit des Systems sichergestellt werden.In the
Die
Die Vorrichtung 300 umfasst ferner eine Robustheitsbestimmungseinheit 340, die dazu ausgebildet ist, mindestens einen Robustheitswert 41 für das KI-Modul 14 unter Verwendung der berechneten Abweichungen 31 zu bestimmen. Eine Vergleichseinheit 350 der Vorrichtung 300 ist dazu ausgebildet, den mindestens einen Robustheitswert 41 mit einem Schwellwert 51 zu vergleichen.The
Die Vorrichtung 300 umfasst darüber hinaus eine Auswahleinheit 360, die dazu ausgebildet ist, das mindestens eine KI-Modul 14 auszuwählen, wenn der Robustheitswert 41 größer gleich dem mindestens einen Schwellwert 51 ist und dazu ausgebildet ist, die Recheneinheit 330 unter Verwendung der Konfigurationseinheit 320 zu aktivieren, wenn der Robustheitswert 41 kleiner gleich dem mindestens einen Schwellwert 51 ist oder einen Hinweis auszugeben, wenn das Stoppkriterium 21 erfüllt ist.
Die Auswahleinheit 360, die Vergleichseinheit 350, die Robustheitsbestimmungseinheit 340 und die Recheneinheit 330 bilden somit einen Regelkreis (Englisch „Feedback Loop“), sodass ein optimales KI-Modul 14 ausgewählt wird. Die Auswahleinheit 360 kann ferner dazu ausgebildet sein, die Konfigurationseinheit 320 zu aktivieren, wobei die Konfigurationseinheit 320 dann dazu ausgebildet ist, bei einer erneuten Aktivierung die Methode zum Generieren von Störungen 16 anders zu parametrieren und/oder eine zweite Methode zum Generieren von Störungen 16' zu verwenden.The
An dieser Stelle sei darauf hingewiesen, dass alle oben beschriebenen Teile jeweils für sich - auch ohne im jeweiligen Zusammenhang zusätzlich beschriebene Merkmale, selbst wenn diese nicht explizit als optionale Merkmale im jeweiligen Zusammenhang individuell kenntlich gemacht worden sind, z. B. durch Verwendung von: insbesondere, vorzugsweise, beispielsweise, z. B., ggf. , runden Klammern, etc. - und in Kombination oder jeglicher Unterkombination als eigenständige Ausgestaltungen bzw. Weiterbildungen der Erfindung, wie sie insbesondere in der Beschreibungseinleitung sowie den Ansprüchen definiert ist, anzusehen sind. Abweichungen hiervon sind möglich. Konkret sei darauf hingewiesen, dass das Wort „insbesondere“ oder runde Klammern keine im jeweiligen Kontext zwingende Merkmale kennzeichnen.At this point it should be pointed out that all parts described above are individually - even without additional features described in the respective context, even if they have not been explicitly identified as optional features in the respective context, e.g. B. by using: in particular, preferably, for example, e.g. B., if necessary, round brackets, etc. - and in combination or any sub-combination are to be regarded as independent configurations or developments of the invention, as defined in particular in the introduction to the description and the claims. deviations from this are possible. Specifically, it should be pointed out that the word "in particular" or round brackets do not denote any characteristics that are mandatory in the respective context.
BezugszeichenlisteReference List
- 1010
- Empfangsschrittreceive step
- 1111
- Eingabedateninput data
- 1212
- Ungestörte DatenUndisturbed data
- 1313
- Datenelementdata item
- 1414
- KI-ModulAI module
- 1515
- Beurteilungsmetrikassessment metric
- 16, 16'16, 16'
- Methode zum Generieren von StörungenMethod for generating disturbances
- 1717
- Störungsparameterdisturbance parameters
- 1818
- Störungsparameterwertfault parameter value
- 2020
- Festlegungsschrittdetermination step
- 2121
- Stoppkriteriumstopping criterion
- 3030
- Bestimmungsschrittdetermination step
- 3131
- Abweichungendeviations
- 4040
- Bestimmungsschrittdetermination step
- 4141
- Robustheitswertrobustness score
- 5050
- Vergleichsschrittcomparison step
- 5151
- Schwellwertthreshold
- 6060
- Auswahlschrittselection step
- 100100
- Verfahrenprocedure
- 200200
- Verfahrenprocedure
- 201201
- Ziel-Robustheitswerttarget robustness value
- 210210
- Auswahlschrittselection step
- 220220
- Trainingsschritttraining step
- 221221
- Trainingsdatentraining data
- 230230
- Empfangsschrittreceive step
- 231231
- Eingangsdateninput data
- 240240
- Ausführungsschrittexecution step
- 300300
- Vorrichtungcontraption
- 310310
- Empfangseinheitreceiving unit
- 320320
- Konfigurationseinheitconfiguration unit
- 330330
- Recheneinheitunit of account
- 340340
- Robustheitsbestimmungseinheitrobustness determination unit
- 350350
- Vergleichseinheitcomparison unit
- 360360
- Auswahleinheitselection unit
Claims (18)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE202021105594.4U DE202021105594U1 (en) | 2021-10-14 | 2021-10-14 | System for the automatic selection and/or evaluation of at least one AI module and for the classification and/or regression of input data, a computer-readable storage medium and a system for the classification and/or regression of input data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE202021105594.4U DE202021105594U1 (en) | 2021-10-14 | 2021-10-14 | System for the automatic selection and/or evaluation of at least one AI module and for the classification and/or regression of input data, a computer-readable storage medium and a system for the classification and/or regression of input data |
Publications (1)
Publication Number | Publication Date |
---|---|
DE202021105594U1 true DE202021105594U1 (en) | 2022-02-16 |
Family
ID=80474194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE202021105594.4U Active DE202021105594U1 (en) | 2021-10-14 | 2021-10-14 | System for the automatic selection and/or evaluation of at least one AI module and for the classification and/or regression of input data, a computer-readable storage medium and a system for the classification and/or regression of input data |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE202021105594U1 (en) |
-
2021
- 2021-10-14 DE DE202021105594.4U patent/DE202021105594U1/en active Active
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018200724A1 (en) | Method and device for improving the robustness against "Adversarial Examples" | |
DE202017102381U1 (en) | Device for improving the robustness against "Adversarial Examples" | |
DE102018128289A1 (en) | METHOD AND DEVICE FOR AUTONOMOUS SYSTEM PERFORMANCE AND CLASSIFICATION | |
DE102016113904A1 (en) | Online Pro feature descriptor customization | |
WO2009037042A2 (en) | Method and device for determining a probability of occurrence | |
DE112019000093T5 (en) | Discrimination device and machine learning method | |
DE102021207613A1 (en) | Process for quality assurance of a system | |
DE202021105594U1 (en) | System for the automatic selection and/or evaluation of at least one AI module and for the classification and/or regression of input data, a computer-readable storage medium and a system for the classification and/or regression of input data | |
DE102019127622B4 (en) | Defense generator, method for preventing an attack on an AI unit and computer-readable storage medium | |
DE102018207220A1 (en) | A method, apparatus and computer program for detecting a calculation error or a malfunction | |
DE102021204550A1 (en) | Method for generating at least one data set for training a machine learning algorithm | |
DE102021201833A1 (en) | Device for processing at least one input data set using a neural network and method | |
DE102021202813A1 (en) | Method, device and computer program for an uncertainty assessment of an image classification | |
EP3757698A1 (en) | Method and device for evaluating and selecting signal comparison metrics | |
DE102018207933A1 (en) | Method and verification system for checking a manufactured gear unit | |
DE102005028252A1 (en) | Method for the computer-aided processing of digital data | |
WO2020108748A1 (en) | System and method for discovering optimised combinations of calculation functions | |
DE102022200285B3 (en) | Method and device for providing a data-based system model and for checking a training state of the system model | |
DE102022208384A1 (en) | Method for determining a quality condition of a test object | |
WO2023232428A1 (en) | Monitoring a multi-axis machine by means of interpretable time series classification | |
EP4254083A1 (en) | Method for parameterizing a monitoring system, parameter device, and a monitoring system | |
DE102021132542A1 (en) | METHOD OF PROVIDING BIT FLIP ERRORS RESISTANT; PERTURBATION-RESISTANT AND COMPRESSED NEURAL NETWORK; COMPUTER PROGRAM; DRIVER ASSISTANCE SYSTEM | |
DE102022203834A1 (en) | Method for training a machine learning algorithm taking into account at least one inequality condition | |
DE102021204343A1 (en) | Controller for generating training data for training a machine learning algorithm | |
DE102022205918A1 (en) | Method for carrying out data processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R207 | Utility model specification |