EP4062329A1 - Verfahren zum bereitstellen eines erklärungsdatensatzes für ein ki-modul, computerlesbares speichermedium, vorrichtung und system - Google Patents

Verfahren zum bereitstellen eines erklärungsdatensatzes für ein ki-modul, computerlesbares speichermedium, vorrichtung und system

Info

Publication number
EP4062329A1
EP4062329A1 EP20810956.1A EP20810956A EP4062329A1 EP 4062329 A1 EP4062329 A1 EP 4062329A1 EP 20810956 A EP20810956 A EP 20810956A EP 4062329 A1 EP4062329 A1 EP 4062329A1
Authority
EP
European Patent Office
Prior art keywords
data set
module
designed
data record
optimization
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.)
Pending
Application number
EP20810956.1A
Other languages
English (en)
French (fr)
Inventor
Felix ASSION
Florens Fabian GRESSNER
Stephan HINZE
Frank Kretschmer
Benedikt Julius WAGNER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neurocat GmbH
Original Assignee
Neurocat GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neurocat GmbH filed Critical Neurocat GmbH
Publication of EP4062329A1 publication Critical patent/EP4062329A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Definitions

  • the invention relates to a method for providing an explanation data set for an AI module, a computer-readable storage medium and a system.
  • AI modules it is possible to carry out a classification or a regression for an input data set.
  • an artificial neural network can be used to determine for each pixel of an image whether it shows skin cancer or not. It is also possible to use an AI module to determine whether the customer should receive a loan or not based on customer data of a customer of a bank.
  • AI modules are complex data structures or programs that are trained for a task in a training phase or, in the case of reinforcement learning, during operation. For example, in an artificial neural network, the weights of a large number of In addition, further hyperparameters can be determined which determine the structure of the artificial neural network. The number of weights / parameters to be learned is very large.
  • a problem with modern machine learning methods is that the complexity of the AI modules is great, so that it is difficult and in many cases impossible to explain in detail for humans why an AI module is based on an input data set for a certain output has arrived. In addition, it is difficult to explain why a certain input leads to an output and another input leads to the same or a different output.
  • an AI module could be designed to assess whether a user should be granted a loan or not based on, among other things, the salary of a user. If the user is denied credit, he or she could demand an explanation for the negative decision.
  • the above publication suggests the general idea of providing the user with an explanatory data record that contains alternative input data for the KI module that would have led to a positive decision in favor of the loan.
  • the alternative explanatory record could indicate a higher income with which a positive credit decision would have been made by the AI module.
  • an explanatory data record could contain information about which blood values would have to change in order to obtain a negative diagnosis regarding an illness.
  • the explanatory dataset can also be used to derive behavioral measures that contribute to a healthier lifestyle.
  • the object is achieved by a method according to claim 1, a computer-readable storage medium according to claim 14, a device according to claim 15 and by a system according to claim 17.
  • the object is achieved in particular by a method for providing an explanatory data set for an AI module, comprising:
  • a user data record which specifies at least one input data record of an KI module
  • the KI module being designed to calculate an output data record for the input data record, e.g. by means of a regression and / or classification, the user data record comprising at least one target specification, which indicates a value of a data element in an output data set of the KI module;
  • the AI module being designed to calculate an output data set for the explanatory data set that contains the information given by the target Data item includes;
  • a core of the invention is that the task of finding an explanatory data set is modeled as an optimization task.
  • a user can provide a target specification that can represent a desired result for the input data record after processing by the AI module.
  • the target specification therefore specifies at least one value of a data element in an output data record of the KI module.
  • the optimization task specifies a specific and a similarity metric, wherein minimizing the metrics can solve the optimization task in one embodiment.
  • the specific and the similarity metric can each specify classes of metrics, so that a number of optimization tasks can be defined through a combination of different concrete specific and concrete similarity metrics, the solution of which provides different results in each case.
  • the explanatory data set can provide a plurality of different explanations for the input data set.
  • the user data record can comprise at least one boundary condition for the at least one optimization task, wherein the optimization method can calculate the at least one optimization task taking into account the at least one boundary condition of the user data record.
  • the at least one boundary condition can include an approval specification, wherein an approval specification can specify the feature categories defined by the input data record in which the explanation data record may differ from the input data record.
  • an approval specification can specify the feature categories defined by the input data record in which the explanation data record may differ from the input data record.
  • the at least one boundary condition can include at least one weight, wherein a weight can indicate a preference for a change in a feature category of the input data record in the explanation data record.
  • the at least one boundary condition can include at least one range specification, the at least one range specification being able to specify a permitted value range of a feature category of the explanation data record, in particular a maximum and / or minimum permitted deviation from a value in the input data record.
  • the solution space for the at least one optimization task are restricted and the user only receives those solutions as explanatory data sets that are relevant to him.
  • the explanatory data set can comprise a multiplicity of variations of the input data set, each of which fulfills the at least one boundary condition.
  • the explanatory data set can comprise a large number of variations of the input data set, which can be generated by a combination of different metrics and optimization methods.
  • the method can include receiving at least one provider data set, wherein the provider data set can include at least one constraint for the at least one optimization task, wherein the optimization method can calculate the at least one optimization task taking into account the at least one constraint of the provider data set.
  • a provider data record with boundary conditions can thus also be received.
  • certain boundary conditions can be specified by a user of an AI module and, on the other hand, by a provider or operator of an AI module.
  • the user data set and the operator data set can be received separately as two different data units or as part of a single data set.
  • the at least one boundary condition of the provider data record can indicate an output number, wherein the output number can indicate how many variations of the input data record are calculated and are included in the explanation data record.
  • the number of variations can be limited.
  • the number may be limited to the number of issues.
  • the output number can indicate the number of optimization tasks to be solved multiplied by the number of optimization methods used.
  • providing can of the explanation data set comprise a filtering, wherein the filtering can comprise a limitation of the solutions of the at least one optimization task specified by the explanation data set.
  • the at least one optimization method can comprise a gradient method and / or a Newton method.
  • a gradient method and a Newton method are efficient options that solve at least one optimization problem.
  • the specific metric can be minimal if the target information matches the data element of the output data set of the KI module, wherein the specific metric can be in the form of cross entropy and / or mean square deviation, for example.
  • the minimization of the specific metric thus ensures that the result data set leads to an output of the AI module that corresponds to the target specification.
  • a cross entropy or a mean square deviation can be used as a specific metric. Both of these concrete metrics can be implemented efficiently and can be minimized by optimization methods.
  • the similarity metric can be designed as an L p norm, in particular as an L °, L 1 and / or L 2 metric.
  • the similarity metric ensures that the explanatory dataset is close to the input dataset.
  • the use of a similarity metric and its mathematical optimization, i.e. minimization, through optimization methods has the advantage that a change vector is sparse or includes low values, for example the minimum number of changed vector values in the case of the L ° metric or the smallest possible root of the sum of the squared individual vector values in the case of the L 2 metric.
  • the at least one optimization task can be specified by the formula mm M sp (5) + 2M in (5), where M sp is the specific
  • Metric and M im can indicate the similarity metric and d can be selected from a set of permissible changes in the input data set.
  • the amount of permissible changes to the input data record can be determined by at least one or the at least one boundary condition of the user data record and / or the provider data record.
  • the method can include calculating an output data set using the KI module, wherein the explanation data set can be used as an input data set of the KI module.
  • the method can thus also include the use of the calculated explanatory data set by the AI module. This can be used to check whether the explanation data record leads to the result indicated by the target specification.
  • the object is also achieved in particular by a computer-readable storage medium which contains instructions which cause at least one processor to implement a method as described above when the instructions are executed by the at least one processor.
  • a device for providing an explanatory data set comprising:
  • a receiving unit which is designed to receive a user data set that specifies at least one input data set of an KI module, the KI module being designed to calculate an output data set for the input data set, for example by means of a regression and / or classification wherein the user data record comprises at least one target specification which specifies a value of a data element in an output data record of the KI module;
  • An optimization unit which is designed to load an optimization task which specifies a specific metric and / or a similarity metric and which is also designed to include at least one solution of the at least one optimization task as an explanatory data set, taking into account the user data set and the AI module To calculate the use of at least one optimization method, the AI module being designed to calculate an output data record for the explanation data record, which includes the data element indicated by the target information;
  • a provision unit which is designed to provide the explanation data set.
  • the device can comprise an AI unit, which can be designed to calculate an output data set, wherein the explanation data set can be used as an input data set of the AI module.
  • the receiving unit can be designed to receive at least one provider data set, wherein the provider data set can include at least one boundary condition for the at least one optimization task, wherein the optimization method can be configured to perform the at least one optimization task taking into account the at least one boundary condition of the provider data set to calculate.
  • At least one server unit which in particular has a device as described above and a server communication unit;
  • At least one client unit with a client communication unit which is designed to send a request to the server communication unit, in particular via a communication network; wherein the server communication unit is designed to provide an application-programmable interface designed to do so is to receive a user record and send an explanation record.
  • FIG. 1 a schematic representation of a system
  • FIG. 2 a schematic representation of the mode of operation of an AI module with an explanatory data set
  • FIG. 3 a schematic representation of a device for providing an explanatory data set
  • FIG. 4 a schematic representation of an optimization unit
  • FIG. 5 an example of an input data record
  • FIG. 6 an example of an explanatory data record
  • FIG. 7 a schematic representation of a distributed system.
  • FIG. 1 shows a schematic representation of a system 1 which determines an explanatory data set 2 for a user data set 20.
  • the system 1 has a device 10 which is designed to determine the explanation data set 2 taking into account the user data set 20 and / or a provider data set 30.
  • a device 10 can also be referred to as a counterfactory 10.
  • the user data record 20 has an input data record 21.
  • the input data set 21 comprises a multiplicity of data elements which form an input for an AI module 31.
  • the input data set 21 can comprise image data, the data elements representing brightness values for pixels.
  • the input data record 21 can include the characteristics of a bank customer, the data elements of the input data record 21 being able to indicate, for example, the income, the occupation and the age of the customer.
  • the user data record 20 also has an approval information 22 which specifies the feature categories in which the explanation data record 2 may differ from the input data record 21.
  • the approval information 22 can therefore also be viewed as a blacklist or whitelist.
  • the user can specify, for example, that the feature “age” in the declaration data record 2 must not change since he has no influence on it.
  • the approval information 22 can be specified as a vector, the number of dimensions of the vector corresponds to the number of feature categories of the input data record 21. Each data element of the vector can indicate whether a feature category may be changed.
  • the user data record 20 includes at least one weight 23 which, in the exemplary embodiment shown, indicates a preference as to which feature categories in the explanatory data record 2 should preferably be changed or which not, without completely blocking them.
  • the latter could indicate that a job change should be more likely in the explanation data record 2 than an increase in income.
  • the user data record 20 comprises at least one area information 24 which specifies the areas in which the variation of a data element of the input data record 21 may move. This is useful when certain changes are not possible.
  • the Range specification 24 ensures that a variation of brightness values is again a permissible brightness value, for example in the range from 0 to 255.
  • the user data record 20 includes a target information 25 which indicates the desired result which is to be determined by the AI module 31.
  • destination 25 could indicate a class.
  • the target information 25 can indicate a specific value.
  • the target information 25 can, for example, indicate that a loan is to be granted.
  • the provider data set 30 has the AI module 31, which is designed to carry out a classification and / or regression.
  • the AI module 31 can be a software component that is provided to the device 10.
  • the AI module 31 can be made available as a library of an object-oriented programming language.
  • the AI module 31 is made available via an application programmable interface (API).
  • API application programmable interface
  • the device 10 is provided with a description of the API as KI module 31.
  • the KI module 31 can be any KI module.
  • an AI module that is trained according to the principles of supervised learning and / or unsupervised learning.
  • the AI module 31 can be an artificial neural network.
  • any other implementation of an AI module is also conceivable, as long as it carries out a regression and / or classification for an input data set 21.
  • the provider data record 30 also includes an approval information 32 which, like the approval information 22 of the user data record 20, has information about which feature categories may be changed.
  • the provider of the AI module 31 can thus prevent changes in certain feature categories from being proposed as an explanation, such as a skin color, for example.
  • the provider data record 30 has an output number 33, which indicates how many different explanations or variations of the Explanation data set 2 should include. This ensures that the user only receives a manageable number of explanations.
  • the provider data record 30 includes a deviation information 34.
  • the deviation information 34 indicates how much the explanation data record 2 must at least deviate from the input data record 21. For example, a statement that a loan would have been granted with a pay rise of a few cents could be very negative to a customer. It is thus possible to stipulate that a certain minimum change should be contained in the explanation data set 2.
  • the approval information 22, the at least one weight 23, the range information 24, the target information 25, the approval information 32, the output number 33 and the deviation information 34 define boundary conditions that are taken into account by the device 10 when the explanation data set 2 is provided.
  • FIG. 2 shows a schematic representation of the result of the processing of the explanation data set 2 by an AI module 31.
  • FIG. 2 schematically shows that an explanation data set 2 provided by a device / counterfactory 10 is used as an input data set for an AI module 31 can be so that this determines an output data set 3.
  • the output data set 3 specifies a data element 26 which can specify a regression result or a classification result.
  • the data element 26 corresponds to the destination information 25.
  • FIG. 3 shows a schematic detailed view of the device / counterfactory 10.
  • the counterfactory 10 receives a user data set 20 and / or a provider data set 30 through a receiving unit 11.
  • An optimization unit 12 is designed to use the user data set 20 and the provider data set 30 to generate an explanation data set 2 to be determined, which is provided by a provision unit 13.
  • the mode of operation of the optimization unit 12 is shown in greater detail in FIG.
  • the optimization unit 12 is designed to use a specific metric 14 and a similarity metric 15 to define an optimization task 16.
  • This optimization task 16 is solved in the solver unit 18 using an optimization method 17 and the boundary conditions specified by the user data set 20 or provider data set 30, the solution being provided as explanatory data set 2.
  • An optimization task 16 is given by the formula: min M sp (S) + lM ⁇ h (d, where M sp specifies the specific metric 14 and M im specifies the similarity metric 15 and d is selected from the set of permissible changes in the input data set 21.
  • a large number of optimization tasks 16 can also be determined by choosing different specific metrics.
  • the specific metric 14 can thus be designed as a cross entropy or as a mean square deviation.
  • the similarity metric 15 can be designed as L °, L 1 or as L 2 norm.
  • a first optimization task can, for example, use the cross entropy as the specific metric 14 and the L °, L 1 or L 2 norm as the similarity metric 15.
  • a second optimization task can use the mean square deviation as the specific metric 14 and the L °, L 1 or L 2 norm as the similarity metric 15.
  • FIGS. 5 and 6 show an example of an input data record 21 and an explanation data record 2 for a customer of a bank who would like to receive a loan.
  • an AI module 31 determines that the customer will not receive any credit.
  • the AI module 31 thus carries out a classification.
  • the input data record 21 comprises the feature categories AGE 41, INCOME 41 'and PROFESSION 41 ".
  • FIG. 6 shows an explanation data set 2 which is provided by the device / counterfactory 10.
  • the device 10 is given a destination 25 as part of the user data record 20, so that the classification by the KI module 31 should show that a credit is granted by changing the data elements 42, 42 ', 42 ".
  • the device / counterfactory 10 passed as approval information 22 that only the data elements of the feature categories INCOME 4 and OCCUPATION 41 "may be changed.
  • Explanation data set 2 essentially corresponds to input data set 21. Only in feature category INCOME 4 is the value changed. With the explanation data set 2, the user thus receives a value for the income that is necessary in order to receive a classification by the KI module 31 with otherwise the same characteristics, so that the credit is granted.
  • FIG. 7 shows a distributed system 4 which has a server 50 and a client 60.
  • the server 50 and the client 60 can communicate over a communication network 70 such as the Internet.
  • the client 60 has a client communication interface 63 which is communicatively connected to a client computing unit 62.
  • the client 60 also has a client storage unit 61 which is designed to store an input data set 21.
  • the server 50 has a server communication interface 53 which is communicatively connected to a server computing unit 52.
  • the server computing unit 52 is designed to execute a program which the counter factory 10 implements.
  • the functionality of the counter factory 10 is implemented by means of an API via the server
  • Communication interface 53 provided. This means that the client 60 is designed to transmit a user data record 20 to the server 50 or the server communication interface 53 via an API call.
  • the server 50 or the server computing unit 52 loads a provider data record 30 from a server storage unit 51. Additionally or alternatively, the server 50 can also receive the provider data record 30 from a second client via the server communication interface 53.
  • the server computing unit 52 is also designed to determine an explanation data set 2, taking into account the user data set 20 and the provider data set 30, and to transmit this to the client 60 via the server communication interface 53.
  • the server 50 executes the AI module 31 and to store the results, i.e. the respective output data sets 3.
  • a user or a client 60 can then query an explanation data record 2 at a later point in time.
  • a state of the KI module 31 used is also stored in the server memory unit 51 with the respective output data records 3, so that different versions of the KI module 31 can be tracked over time. It can be advantageous to save a flash value for the status of the AI module 31.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Entscheidungen von KI-Modulen einem Benutzer zu erklären ist schwierig. Die Erfindung betrifft Verfahren zum Bereitstellen eines Erklärungsdatensatzes (2) für ein KI-Modul (31), umfassend: - Empfangen eines Benutzerdatensatzes (20), der zumindest einen Eingangsdatensatz (21) eines KI-Moduls (31) angibt, wobei das KI-Modul (31) dazu ausgebildet ist, für den Eingangsdatensatz (21) einen Ausgangsdatensatz (3) zu berechnen, wobei der Benutzerdatensatz (20) zumindest eine Zielangabe (25) umfasst, die einen Wert eines Datenelements (26) in einem Ausgangsdatensatz (3) des KI-Moduls (31) angibt; - Laden mindestens einer Optimierungsaufgabe (16), welche eine spezifische Metrik (14) und/oder eine Ähnlichkeitsmetrik (15) angibt; - Berechnen mindestens einer Lösung der mindestens einen Optimierungsaufgabe (16) als Erklärungsdatensatz (2) unter Berücksichtigung des Benutzerdatensatzes (20) und des KI-Moduls (31) und unter Verwendung mindestens einer Optimierungsmethode (17), wobei das KI-Modul (31) dazu ausgebildet ist, für den Erklärungsdatensatz (2) einen Ausgangsdatensatz (3) zu berechnen, der das durch die Zielangabe (25) angegebene Datenelement (26) umfasst; - Bereitstellen des Erklärungsdatensatzes (2) für das KI-Modul (31).

Description

Verfahren zum Bereitstellen eines Erklärungsdatensatzes für ein KI-Modul, Computerlesbares Speichermedium, Vorrichtung und System
BESCHREIBUNG
Die Erfindung betrifft ein Verfahren zum Bereitstellen eines Erklärungsdatensatzes für ein KI-Modul, ein computerlesbares Speichermedium und ein System.
Mit KI-Modulen ist es möglich, für einen Eingangsdatensatz eine Klassifizierung oder eine Regression auszuführen. Zum Beispiel kann mittels eines künstlichen neuronalen Netzes für jeden Pixel eines Bildes bestimmt werden, ob dieser Hautkrebs zeigt oder nicht. Ferner ist es möglich, mit einem KI-Modul basierend auf Kundendaten eines Kunden einer Bank zu bestimmen, ob der Kunde einen Kredit erhalten soll oder nicht.
KI-Module sind komplexe Datenstrukturen bzw. Programme, die in einer Trainingsphase oder im Falle von verstärkendem Lernen (Engl. „Reinforcement Learning") während des Betriebs für eine Aufgabe trainiert werden. Zum Beispiel werden bei einem künstlichen neuronalen Netzwerk die Gewichte einer Vielzahl von Aktivierungsfunktionen bestimmt. Darüber hinaus können noch weitere Hyperparameter bestimmt werden, die die Struktur des künstlichen neuronalen Netzwerks bestimmen. Die Anzahl der zu lernenden Gewichte/Parameter ist dabei sehr groß.
Ein Problem bei modernen Methoden des maschinellen Lernens ist, dass die Komplexität der KI-Module groß ist, sodass es schwierig und in vielen Fällen unmöglich ist, für Menschen verständlich detailliert zu erklären, warum ein KI- Modul basierend auf einem Eingangsdatensatz zu einer bestimmten Ausgabe gelangt ist. Darüber hinaus ist es schwierig zu erklären, warum eine bestimmte Eingabe zu einer Ausgabe führt und eine andere Eingabe zu derselben oder einer anderen Ausgabe führt.
Die Nichterklärbarkeit einer Entscheidung des KI-Moduls führt zu vielen Problemen. So ist es zum Beispiel nicht möglich, ein KI-Modul für den Einsatz im Bereich des autonomen Fahrens zu zertifizieren, ohne ein tiefergehendes Verständnis für die Entscheidungsabläufe zu haben.
Darüber hinaus existieren regulatorische Probleme. So existiert zumindest in der Europäischen Union eine gesetzliche Regelung, nach der es einem Benutzer eines KI-Moduls ermöglicht werden soll, eine Erläuterung einer getroffenen Entscheidung des KI-Moduls zu erhalten.
Eine technische Erläuterung unter Angabe der involvierten Hyperparameter und Gewichte ist jedoch, selbst wenn dies möglich wäre, für einen Benutzer nicht zufriedenstellend.
In der Veröffentlichung Wächter, Sandra & Mittelstadt, Brent & Russell, Chris. (2018). Counterfactual Explanations Without Opening the Black Box: Automated Decisions and the GDPR. Harvard Journal of Law & Technology. 31. 841-887, wird vorgeschlagen, einem Benutzer eines KI-Moduls anstelle einer technischen Erklärung, einen Erklärungsdatensatz, auch Counterfactual genannt, bereitzustellen. Der Erklärungsdatensatz soll im Wesentlichen dem Eingangsdatensatz des Benutzers für das KI-Modul entsprechen, jedoch mit derartigen Änderungen, dass ein gewünschtes alternatives Ergebnis durch das KI- Modul bereitgestellt wird.
Zum Beispiel könnte ein KI-Modul dazu ausgebildet sein, basierend unter anderem auf dem Gehalt eines Benutzers zu beurteilen, ob dieser einen Kredit gewährt bekommen sollte oder nicht. Wird der Kredit dem Benutzer verwehrt, so könnte dieser eine Erklärung für den negativen Entscheid verlangen.
Die vorstehende Veröffentlichung schlägt die generelle Idee vor, dem Benutzer einen Erklärungsdatensatz bereitzustellen, der alternative Eingangsdaten für das KI-Modul enthält, die zu einer positiven Entscheidung für den Kredit geführt hätten. Zum Beispiel könnte der alternative Erklärungsdatensatz ein höheres Einkommen angeben, mit dem eine positive Kreditentscheidung durch das KI- Modul gefällt worden wäre.
Diese Methodik lässt sich auf beliebige Anwendungsgebiete übertragen. Zum Beispiel könnte in einem medizinischen Kontext ein Erklärungsdatensatz Angaben enthalten, welche Blutwerte sich ändern müssten, um einen negative Diagnose hinsichtlich einer Krankheit zu erhalten. So können mit dem Erklärungsdatensatz auch Verhaltensmaßnahmen abgeleitet werden, die zu einem gesünderen Lebensstil beitragen.
Die oben genannte Veröffentlichung enthält keine mathematischen oder technischen Details zur Idee einer möglichen Implementierung zur Generierung eines Erklärungsdatensatzes bzw. von Counterfactuals. Ausgehend von diesem Stand der Technik ist es daher Aufgabe der Erfindung, für ein KI-Modul einen Erklärungsdatensatz bereitzustellen. Es ist weiter insbesondere Aufgabe der Erfindung, eine technische Implementierung für die Bereitstellung eines Erklärungsdatensatzes anzugeben.
Die Aufgabe wird gelöst durch ein Verfahren nach Anspruch 1, ein computerlesbares Speichermedium nach Anspruch 14, eine Vorrichtung nach Anspruch 15 und durch ein System nach Anspruch 17.
Die Aufgabe wird insbesondere gelöst durch Verfahren zum Bereitstellen eines Erklärungsdatensatzes für ein KI-Modul, umfassend:
- Empfangen eines Benutzerdatensatzes, der zumindest einen Eingangsdatensatz eines KI-Moduls angibt, wobei das KI-Modul dazu ausgebildet ist, für den Eingangsdatensatz, z.B. mittels einer Regression und/oder Klassifikation, einen Ausgangsdatensatz zu berechnen, wobei der Benutzerdatensatz zumindest eine Zielangabe umfasst, die einen Wert eines Datenelements in einem Ausgangsdatensatz des KI-Moduls angibt;
- Laden mindestens einer Optimierungsaufgabe, welche eine spezifische Metrik und/oder eine Ähnlichkeitsmetrik angibt;
- Berechnen mindestens einer Lösung der mindestens einen Optimierungsaufgabe als Erklärungsdatensatz unter Berücksichtigung des Benutzerdatensatzes und des KI-Moduls und unter Verwendung mindestens einer Optimierungsmethode, wobei das KI-Modul dazu ausgebildet ist, für den Erklärungsdatensatz einen Ausgangsdatensatz zu berechnen, der das durch die Zielangabe angegebene Datenelement umfasst;
Bereitstellen des Erklärungsdatensatzes für das KI-Modul. Ein Kern der Erfindung ist, dass die Aufgabe des Findens eines Erklärungsdatensatzes als eine Optimierungsaufgabe modelliert wird. Dabei kann ein Benutzer eine Zielangabe bereitstellen, die ein gewünschtes Ergebnis für den Eingangsdatensatz nach der Verarbeitung durch das KI-Modul darstellen kann.
Die Zielangabe gibt daher mindestens einen Wert eines Datenelements in einem Ausgangsdatensatz des KI-Moduls an.
Die Optimierungsaufgabe gibt eine spezifische und eine Ähnlichkeitsmetrik an, wobei das Minimieren der Metriken in einer Ausführungsform die Optimierungsaufgabe lösen kann. Dabei können die spezifische und die Ähnlichkeitsmetrik jeweils Klassen von Metriken angeben, sodass durch eine Kombination unterschiedlicher konkreter spezifischer und konkreter Ähnlichkeitsmetriken eine Vielzahl von Optimierungsaufgaben definiert werden können, deren Lösung jeweils unterschiedliche Ergebnisse liefert. Somit kann der Erklärungsdatensatz in einer Ausführungsform eine Vielzahl von unterschiedlichen Erklärungen für den Eingangsdatensatz liefern.
Darüber hinaus ist es auch möglich, die mindestens eine Optimierungsaufgabe mit unterschiedlichen Optimierungsmethoden zu lösen. Somit können unterschiedliche konkrete Metriken mit unterschiedlichen Optimierungsmethoden kombiniert werden, um eine große Anzahl von Erklärungen als Erklärungsdatensatz bereitzustellen.
In einer Ausführungsform kann der Benutzerdatensatz mindestens eine Randbedingung für die mindestens eine Optimierungsaufgabe umfassen, wobei die Optimierungsmethode die mindestens eine Optimierungsaufgabe unter Berücksichtigung der mindestens einen Randbedingung des Benutzerdatensatzes berechnen kann.
Es ist also möglich, dass ein Benutzer Randbedingungen für die Optimierungsaufgabe festlegen kann.
In einer Ausführungsform kann die mindestens eine Randbedingung eine Zulassungsangabe umfassen, wobei eine Zulassungsangabe angeben kann, in welchen durch den Eingangsdatensatz definierten Merkmalskategorien sich der Erklärungsdatensatz von dem Eingangsdatensatz unterscheiden darf. Mit der beschriebenen Ausführungsform ist es möglich, dass ein Benutzer eine Art Blacklist und/oder Whitelist für Merkmalskategorien definiert, in denen sich der Erklärungsdatensatz von dem Eingangsdatensatz unterscheiden darf. So kann ein Benutzer festlegen, dass zum Beispiel ein im Eingangsdatensatz angegebenes Gehalt nicht geändert werden darf. Dies kann für Merkmalskategorien sinnvoll sein, die nicht geändert werden können. Durch die Randbedingungen können somit auch technische Limitierungen angegeben werden, wie zum Beispiel eine Höchstgeschwindigkeit eines Fahrzeugs oder ein maximaler Spannungswert.
In einer Ausführungsform kann die mindestens eine Randbedingung mindestens ein Gewicht umfassen, wobei ein Gewicht eine Präferenz für eine Änderung einer Merkmalskategorie des Eingangsdatensatzes im Erklärungsdatensatz angeben kann.
Es ist somit auch möglich, über eine Randbedingung Merkmalskategorien zu kennzeichnen, die leichter änderbar sind als andere. So sind positive und auch negative Gewichte denkbar. So kann ein Kunde einer Bank zum Beispiel leichter seine aktuelle Anstellung wechseln, als seinen Bildungshintergrund.
In einer Ausführungsform kann die mindestens eine Randbedingung mindestens eine Bereichsangabe umfassen, wobei die mindestens eine Bereichsangabe einen erlaubten Wertebereich einer Merkmalskategorie des Erklärungsdatensatzes angeben kann, insbesondere eine maximal und/oder minimal zugelassene Abweichung von einem Wert im Eingangsdatensatz.
Mit der vorstehend beschriebenen Ausführungsform ist es somit ferner möglich, zugelassene Wertebereiche im Ausgangsdatensatz anzugeben. Dies ist zum Beispiel dann vorteilhaft, wenn Bilddaten den Eingangsdatensatz bilden und die Datenelemente des Erklärungsdatensatzes auf bestimmte Farbwerte und/oder Helligkeitswerte begrenzt werden müssen, z.B. jeweils 0 bis 255 für Helligkeitswerte eines Farbkanals. Auch kann durch eine Begrenzung der zugelassenen Werte erreicht werden, dass eine sehr starke Änderung eines einzelnen Datenelements verhindert wird.
Insgesamt kann durch das Vorsehen von Randbedingungen, die von einem Benutzer oder einem Anbieter bzw. Betreiber eines KI-Moduls bereitgestellt bzw. definiert werden, der Lösungsraum der mindestens einen Optimierungsaufgabe eingeschränkt werden und der Benutzer erhält nur solche Lösungen als Erklärungsdatensatz, die für ihn relevant sind.
In einer Ausführungsform kann der Erklärungsdatensatz eine Vielzahl von Variationen des Eingangsdatensatzes umfassen, die jeweils die mindestens eine Randbedingung erfüllen.
Wie bereits obenstehend angedeutet, kann der Erklärungsdatensatz eine Vielzahl von Variationen des Eingangsdatensatzes umfassen, die durch eine Kombination unterschiedlicher Metriken und Optimierungsmethoden erzeugt werden können.
In einer Ausführungsform kann das Verfahren ein Empfangen mindestens eines Anbieterdatensatzes umfassen, wobei der Anbieterdatensatz mindestens eine Randbedingung für die mindestens eine Optimierungsaufgabe umfassen kann, wobei die Optimierungsmethode die mindestens eine Optimierungsaufgabe unter Berücksichtigung der mindestens einen Randbedingung des Anbieterdatensatzes berechnen kann.
Neben einem Benutzerdatensatz kann somit ebenfalls ein Anbieterdatensatz mit Randbedingungen empfangen werden. Somit können einerseits bestimmte Randbedingungen durch einen Benutzer eines KI-Moduls und andererseits durch einen Anbieter bzw. Betreiber eines KI-Moduls angegeben werden. Der Benutzerdatensatz und der Betreiberdatensatz können separat als zwei unterschiedliche Dateneinheiten empfangen werden oder auch als Teil eines einzelnen Datensatzes.
In einer Ausführungsform kann die mindestens eine Randbedingung des Anbieterdatensatzes eine Ausgabeanzahl angeben, wobei die Ausgabeanzahl angeben kann, wie viele Variationen des Eingangsdatensatzes berechnet werden und von dem Erklärungsdatensatz umfasst sind.
Um die Anzahl der möglichen Variationen des Eingangsdatensatzea überschaubar zu gestalten, kann die Anzahl der Variationen begrenzt werden. Zum Beispiel kann in einer Ausführungsform die Anzahl auf die Ausgabeanzahl begrenzt sein.
In einer Ausführungsform kann die Ausgabeanzahl die Anzahl der zu lösenden Optimierungsaufgaben multipliziert mit der Anzahl der verwendeten Optimierungsmethoden angeben. In einer Ausführungsform kann das Bereitstellen des Erklärungsdatensatzes ein Filtern umfassen, wobei das Filtern ein Begrenzen der durch den Erklärungsdatensatz angegebenen Lösungen der mindestens einen Optimierungsaufgabe umfassen kann.
In einer Ausführungsform kann die mindestens eine Optimierungsmethode eine Gradientenmethode und/oder ein Newton-Verfahren umfassen. Eine Gradientenmethode und ein Newton-Verfahren sind effiziente Möglichkeiten, die mindestens eine Optimierungsaufgabe lösen.
In einer Ausführungsform kann die spezifische Metrik minimal sein, wenn die Zielangabe mit dem Datenelement des Ausgangsdatensatzes des KI-Moduls übereinstimmt, wobei die spezifische Metrik z.B. als Kreuzentropie und/oder als mittlere quadratische Abweichung ausgebildet sein kann.
Die Minimierung der spezifischen Metrik stellt somit sicher, dass der Ergebnisdatensatz zu einer Ausgabe des KI-Moduls führt, die der Zielangabe entspricht. Dabei kann eine Kreuzentropie oder auch eine mittlere quadratische Abweichung als spezifische Metrik verwendet werden. Beide dieser konkreten Metriken sind effizient zu implementieren und können von Optimierungsmethoden minimiert werden.
In einer Ausführungsform kann die Ähnlichkeitsmetrik als eine Lp-Norm ausgebildet sein, insbesondere als L°, L1- und/oder L2-Metrik.
Die Ähnlichkeitsmetrik stellt sicher, dass der Erklärungsdatensatz nah an dem Eingangsdatensatz liegt. Die Verwendung einer Ähnlichkeitsmetrik und deren mathematische Optimierung, d.h. Minimierung, durch Optimierungsmethoden hat den Vorteil, dass ein Änderungsvektor dünnbesetzt ist bzw. niedrige Werte umfasst, beispielsweise die minimale Anzahl veränderter Vektorwerte im Falle der L°-Metrik oder die kleinstmögliche Wurzel der Summe der quadrierten einzelnen Vektorwerte im Falle der L2-Metrik . Das bedeutet, dass sich der Eingangsdatensatz und der Erklärungsdatensatz nur in wenigen Datenelementen unterscheiden und die jeweiligen Unterschiede der Datenelemente zielgerichtet begrenzt werden. Dies ermöglicht sinnvolle Eingabevergleiche für den KI-Nutzer bzw. KI-Anwender. In einer Ausführungsform kann die mindestens eine Optimierungsaufgabe durch die Formel mm Msp(5 ) +2Mim(5) angegeben sein , wobei Msp die spezifische
Metrik und Mim die Ähnlichkeitsmetrik angeben kann und d aus einer Menge der zulässigen Veränderungen des Eingangsdatensatzes ausgewählt sein kann.
Die vorstehende Formel kann durch Optimierungsmethoden gelöst werden und stellt damit eine effiziente Implementierung der Optimierungsaufgaben bereit. Die Menge der zulässigen Veränderungen des Eingangsdatensatzes kann in einer Ausführungsform durch mindestens eine bzw. die mindestens eine Randbedingung des Benutzerdatensatzes und/oder des Anbieterdatensatzes bestimmt sein.
In einer Ausführungsform kann das Verfahren ein Berechnen eines Ausgangsdatensatzes unter Verwendung des KI-Moduls umfassen, wobei der Erklärungsdatensatz als Eingangsdatensatz des KI-Modul verwendet werden kann.
Das Verfahren kann somit auch das Verwenden des berechneten Erklärungsdatensatzes durch das KI-Modul umfassen. Damit kann geprüft, werden, ob der Erklärungsdatensatz zu dem durch die Zielangabe angegebenen Ergebnis führt.
Die Aufgabe wird ferner insbesondere gelöst durch ein computerlesbares Speichermedium, welches Instruktionen enthält, die mindestens einen Prozessor dazu veranlassen, ein Verfahren wie es vorstehend beschrieben wurde, zu implementieren, wenn die Instruktionen durch den mindestens einen Prozessor ausgeführt werden.
Die Aufgabe wird ferner gelöst durch eine Vorrichtung zur Bereitstellung eines Erklärungsdatensatzes, umfassend :
- eine Empfangseinheit, die dazu ausgebildet ist, einen Benutzerdatensatz zu empfangen, der zumindest einen Eingangsdatensatz eines KI-Moduls angibt, wobei das KI-Modul dazu ausgebildet ist, für den Eingangsdatensatz, z.B. mittels einer Regression und/oder Klassifikation, einen Ausgangsdatensatz zu berechnen, wobei der Benutzerdatensatz zumindest eine Zielangabe umfasst, die einen Wert eines Datenelements in einem Ausgangsdatensatz des KI- Moduls angibt; - eine Optimierungseinheit, die dazu ausgebildet ist, eine Optimierungsaufgabe zu laden, welche eine spezifische Metrik und/oder eine Ähnlichkeitsmetrik angibt und die ferner dazu ausgebildet ist, mindestens eine Lösung der mindestens einen Optimierungsaufgabe als Erklärungsdatensatz unter Berücksichtigung des Benutzerdatensatzes und des KI-Moduls unter Verwendung mindestens einer Optimierungsmethode zu berechnen, wobei das KI-Modul dazu ausgebildet ist, für den Erklärungsdatensatz einen Ausgangsdatensatz zu berechnen, der das durch die Zielangabe angegebene Datenelement umfasst;
- eine Bereitstellungseinheit, die dazu ausgebildet ist, den Erklärungsdatensatz bereitzustellen.
In einer Ausführungsform kann die Vorrichtung eine KI-Einheit umfassen, die dazu ausgebildet sein kann, einen Ausgangsdatensatz zu berechnen, wobei der Erklärungsdatensatz als Eingangsdatensatz des KI-Moduls verwendet werden kann.
In einer Ausführungsform kann die Empfangseinheit dazu ausgebildet sein, mindestens einen Anbieterdatensatz zu empfangen, wobei der Anbieterdatensatz mindestens eine Randbedingung für die mindestens eine Optimierungsaufgabe umfassen kann, wobei die Optimierungsmethode dazu ausgebildet sein kann, die mindestens eine Optimierungsaufgabe unter Berücksichtigung der mindestens einen Randbedingung des Anbieterdatensatzes zu berechnen.
Bezüglich des computerlesbaren Speichermediums und der Vorrichtung ergeben sich ähnliche oder identische Vorteile, wie sie bereits in Zusammenhang mit dem vorstehend beschriebenen Verfahren beschrieben worden sind.
Die Aufgabe wird ferner gelöst durch ein System, umfassend:
- mindestens eine Servereinheit, die insbesondere eine Vorrichtung, wie sie vorstehend beschrieben ist und eine Server-Kommunikationseinheit aufweist;
- mindestens eine Clienteinheit mit einer Client-Kommunikationseinheit, die dazu ausgebildet ist, eine Anfrage an die Server-Kommunikationseinheit zu senden, insbesondere über ein Kommunikationsnetz; wobei die Server-Kommunikationseinheit dazu ausgebildet ist, eine anwendungsprogrammierbare Schnittstelle bereitzustellen, die dazu ausgebildet ist, einen Benutzerdatensatz zu empfangen und einen Erklärungsdatensatz zu senden.
Es ergeben sich ähnliche oder identische Vorteile, wie sie bereits im Zusammenhang mit dem vorstehend beschrieben Verfahren und der vorstehend beschriebenen Vorrichtung beschrieben worden sind.
Es wird explizit darauf hingewiesen, dass sämtliche hinsichtlich des Verfahrens beschriebenen Aspekte mit der Vorrichtung und dem System kombiniert werden können.
Weitere Ausführungsformen ergeben sich aus den Unteransprüchen.
Im Folgenden wird die Erfindung durch Ausführungsbeispiele näher erläutert. Dabei zeigen:
Figur 1: eine schematische Darstellung eines Systems;
Figur 2: eine schematische Darstellung der Funktionsweise eines KI-Moduls mit einem Erklärungsdatensatz;
Figur 3: eine schematische Darstellung einer Vorrichtung zur Bereitstellung eines Erklärungsdatensatzes;
Figur 4: eine schematische Darstellung einer Optimierungseinheit;
Figur 5: ein Beispiel für einen Eingangsdatensatz;
Figur 6: ein Beispiel für einen Erklärungsdatensatz;
Figur 7: eine schematische Darstellung eines verteilten Systems.
Im Folgenden werden für gleiche oder gleichwirkende Teile dieselben Bezugsziffer verwendet.
Figur 1 zeigt eine schematische Darstellung eines Systems 1, welches für einen Benutzerdatensatz 20 einen Erklärungsdatensatz 2 bestimmt. Das System 1 weist eine Vorrichtung 10 auf, die dazu ausgebildet ist, unter Berücksichtigung des Benutzerdatensatzes 20 und/oder eines Anbieterdatensatzes 30 den Erklärungsdatensatz 2 zu bestimmen. Eine solche Vorrichtung 10 kann auch als Counterfactory 10 bezeichnet werden. Der Benutzerdatensatz 20 weist einen Eingangsdatensatz 21 auf. Der Eingangsdatensatz 21 umfasst eine Vielzahl von Datenelementen, die eine Eingabe für ein KI-Modul 31 bilden.
Der Eingangsdatensatz 21 kann in einem Ausführungsbeispiel Bilddaten umfassen, wobei die Datenelemente Helligkeitswerte für Pixel darstellen. In einem weiteren Ausführungsbeispiel kann der Eingangsdatensatz 21 die Eigenschaften eines Bankkunden umfassen, wobei die Datenelemente des Eingangsdatensatz 21 zum Beispiel das Einkommen, den Beruf und das Alter des Kunden angeben können.
Der Benutzerdatensatz 20 weist ferner eine Zulassungsangabe 22 auf, die angibt, in welchen Merkmalskategorien sich der Erklärungsdatensatz 2 von dem Eingangsdatensatz 21 unterscheiden darf. Der Benutzer hat somit in dem gezeigten Ausführungsbeispiel die Möglichkeit, anzugeben, welche Merkmale sich ändern dürfen und welche nicht. Die Zulassungsangabe 22 kann daher auch als eine Blacklist bzw. Whitelist angesehen werden. Der Benutzer kann in dem genannten Beispiel eines Bankkunden beispielsweise angeben, dass sich das Merkmal „Alter" in dem Erklärungsdatensatz 2 nicht ändern darf, da er darauf keinen Einfluss hat. Die Zulassungsangabe 22 kann als Vektor angegeben sein, wobei die Anzahl der Dimensionen des Vektors mit der Anzahl der Merkmalskategorien des Eingangsdatensatzes 21 korrespondiert. Jedes Datenelement des Vektors kann angeben, ob eine Merkmalskategorie verändert werden darf.
Zusätzlich umfasst der Benutzerdatensatz 20 mindestens ein Gewicht 23, welches in dem gezeigten Ausführungsbeispiel eine Präferenz angibt, welche Merkmalskategorien in dem Erklärungsdatensatz 2 vorzugsweise verändert werden sollen oder welche nicht, ohne diese komplett zu blockieren. So könnte in dem Beispiel des Bankkunden dieser angeben, dass in dem Erklärungsdatensatz 2 ein Jobwechsel wahrscheinlicher sein soll, als eine Erhöhung des Einkommens.
Ferner umfasst der Benutzerdatensatz 20 in dem gezeigten Ausführungsbeispiel mindestens eine Bereichsangabe 24, die angibt, in welchen Bereichen sich die Variation eines Datenelements des Eingangsdatensatzes 21 bewegen darf. Dies ist dann sinnvoll, wenn bestimmte Änderungen nicht möglich sind. Zum Beispiel kann bei einem Eingangsdatensatz 21, der Bilddaten angibt, mit der Bereichsangabe 24 sichergestellt werden, dass eine Variation von Helligkeitswerten wieder ein zulässiger Helligkeitswert ist, z.B. im Bereich vom 0 bis 255.
Letztlich umfasst der Benutzerdatensatz 20 eine Zielangabe 25, die das gewünschte Ergebnis, welches durch das KI-Modul 31 bestimmt werden soll, angibt. Zum Beispiel könnte in einem Klassifikationsbeispiel die Zielangabe 25 eine Klasse angeben. Im Falle eines Regressionsbeispiels kann die Zielangabe 25 einen bestimmten Wert angeben. Im Beispiel des vorstehend beschriebenen Bankkunden kann die Zielangabe 25 z.B. angeben, dass ein Kredit gewährt werden soll.
Der Anbieterdatensatz 30 weist das KI-Modul 31 auf, welches dazu ausgebildet ist, eine Klassifikation und/oder Regression auszuführen. Das KI-Modul 31 kann eine Softwarekomponente sein, die der Vorrichtung 10 bereitgestellt wird. Zum Beispiel kann das KI-Modul 31 als Bibliothek einer objektorientierten Programmiersprache zur Verfügung gestellt werden. Es ist jedoch auch denkbar, dass das KI-Modul 31 über eine Anwendungsprogrammierbare Schnittstelle (API) zur Verfügung gestellt wird. Der Vorrichtung 10 wird in diesem Fall eine Beschreibung der API als KI-Modul 31 zur Verfügung gestellt.
Bei dem KI-Modul 31 kann es sich um ein beliebiges KI-Modul handeln. Zum Beispiel um ein KI-Modul, welches nach den Prinzipien des überwachten Lernens und/oder nicht-überwachten Lernens trainiert ist. Zum Beispiel kann es sich bei dem KI-Modul 31 um ein künstliches neuronales Netzwerk handeln. Es ist jedoch auch jede andere Implementierung eines KI-Moduls denkbar, solange dieses für einen Eingangsdatensatz 21 eine Regression und/oder Klassifikation ausführt.
Der Anbieterdatensatz 30 umfasst in dem gezeigten Ausführungsbeispiel weiterhin eine Zulassungsangabe 32, die, wie die Zulassungsangabe 22 des Benutzerdatensatzes 20, eine Angabe darüber aufweist, welche Merkmalskategorien verändert werden dürfen. Der Anbieter des KI-Moduls 31 kann zum Beispiel somit verhindern, dass Veränderungen bestimmter Merkmalskategorien als Erklärung vorgeschlagen werden, wie z.B. eine Hautfarbe.
Darüber hinaus weist der Anbieterdatensatz 30 eine Ausgabeanzahl 33 auf, die angibt, wie viele unterschiedliche Erklärungen bzw. Variationen der Erklärungsdatensatz 2 umfassen soll. Dadurch kann sichergestellt werden, dass der Benutzer nur eine übersichtliche Anzahl von Erklärungen erhält.
Ferner umfasst der Anbieterdatensatz 30 in dem gezeigten Ausführungsbeispiel eine Abweichungsangabe 34. Die Abweichungsangabe 34 gibt an, wie stark der Erklärungsdatensatz 2 von dem Eingangsdatensatz 21 mindestens abweichen muss. Zum Beispiel könnte eine Erklärung, dass ein Kredit bei einer Gehaltserhöhung von wenigen Cent gewährt worden wäre, bei einem Kunden sehr negativ auffallen. Es ist somit möglich, festzulegen, dass eine gewisse Mindeständerung in dem Erklärungsdatensatz 2 enthalten sein soll.
Insgesamt legen die Zulassungsangabe 22, das mindestens eine Gewicht 23, die Bereichsangabe 24, die Zielangabe 25, die Zulassungsangabe 32, die Ausgabeanzahl 33 und die Abweichungsangabe 34 Randbedingungen fest, die von der Vorrichtung 10 bei Bereitstellung des Erklärungsdatensatzes 2 berücksichtigt werden.
Die Figur 2 zeigt eine schematische Darstellung des Ergebnisses der Verarbeitung des Erklärungsdatensatzes 2 durch ein KI-Modul 31. In der Figur 2 ist schematisch dargestellt, dass ein durch eine Vorrichtung/Counterfactory 10 bereitgestellter Erklärungsdatensatz 2 als ein Eingangsdatensatz für ein KI-Modul 31 verwendet werden kann, sodass dieses einen Ausgangsdatensatz 3 bestimmt. Der Ausgangsdatensatz 3 gibt ein Datenelement 26 an, welches ein Regressionsergebnis oder ein Klassifikationsergebnis angeben kann. In dem Ausführungsbeispiel der Figur 2 entspricht das Datenelement 26 der Zielangabe 25.
Die Figur 3 zeigt eine schematische Detailansicht der Vorrichtung/Counterfactory 10. Die Counterfactory 10 empfängt durch eine Empfangseinheit 11 einen Benutzerdatensatz 20 und/oder einen Anbieterdatensatz 30. Eine Optimierungseinheit 12 ist dazu ausgebildet, unter Verwendung des Benutzerdatensatzes 20 und des Anbieterdatensatzes 30 einen Erklärungsdatensatz 2 zu bestimmen, der durch eine Bereitstellungseinheit 13 bereitgestellt wird.
Die Funktionsweise der Optimierungseinheit 12 ist in der Figur 4 näher gezeigt.
Die Optimierungseinheit 12 ist dazu ausgebildet, unter Verwendung einer spezifischen Metrik 14 und einer Ähnlichkeitsmetrik 15 eine Optimierungsaufgabe 16 zu definieren. Diese Optimierungsaufgabe 16 wird unter Verwendung einer Optimierungsmethode 17 und der durch den Benutzerdatensatz 20 bzw. Anbieterdatensatz 30 angegebenen Randbedingungen in der Löser- bzw. Solver- Einheit 18 gelöst, wobei die Lösung als Erklärungsdatensatz 2 bereitgestellt wird.
Eine Optimierungsaufgabe 16 ist durch die Formel: min Msp(S) + lMϋh(d angegeben, wobei Msp die spezifische Metrik 14 und Mim die Ähnlichkeitsmetrik 15 angeben und d aus der Menge der zulässige Veränderungen des Eingangsdatensatzes 21 ausgewählt ist.
Durch Wahl unterschiedlicher konkreter Metriken kann auch eine Vielzahl von Optimierungsaufgaben 16 bestimmt werden. So kann die spezifische Metrik 14 als Kreuzentropie oder als mittlere quadratische Abweichung ausgebildet sein. Die Ähnlichkeitsmetrik 15 kann als L°, L1 oder als L2 -Norm ausgebildet sein.
Somit können durch die Kombination der unterschiedlichen Metriken viele Optimierungsaufgaben 16 definiert sein. Eine erste Optimierungsaufgabe kann z.B. die Kreuzentropie als spezifische Metrik 14 und die L°, L1 oder als L2 -Norm als Ähnlichkeitsmetrik 15 verwenden. Eine zweite Optimierungsaufgabe kann die mittlere quadratische Abweichung als spezifische Metrik 14 und die L°, L1 oder als L2 -Norm als Ähnlichkeitsmetrik 15 verwenden.
Durch die Kombination unterschiedlicher konkreter Metriken als spezifische 14 bzw. Ähnlichkeitsmetrik 15 werden durch die Lösung der oben gezeigten Formel unterschiedliche mögliche Erklärungen berechnet, die von dem Erklärungsdatensatz 2 umfasst sind.
Darüber hinaus können zusätzlich oder alternativ unterschiedliche Optimierungsmethoden 17 zur Lösung der Optimierungsaufgaben 16 verwendet werden, sodass eine noch größere Anzahl von Erklärungen bestimmt werden können, die als Erklärungsdatensatz 2 bereitgestellt werden können. Die Figuren 5 und 6 zeigen ein Beispiel für einen Eingangsdatensatz 21 und einen Erklärungsdatensatz 2 für einen Kunden einer Bank, der einen Kredit erhalten möchte. Mit dem gezeigten Eingangsdatensatz 21 bestimmt ein KI-Modul 31, dass der Kunde keinen Kredit bekommen wird. Das KI-Modul 31 führt somit eine Klassifikation durch. Der Eingangsdatensatz 21 umfasst die Merkmalskategorien ALTER 41, EINKOMMEN 41' und BERUF 41". Jeder der Merkmalskategorien 41,
41', 41" ist ein Wert 42, 42', 42" zugeordnet.
Figur 6 zeigt einen Erklärungsdatensatz 2, der durch die Vorrichtung/Counterfactory 10 bereitgestellt ist. Der Vorrichtung 10 ist als Teil des Benutzerdatensatzes 20 eine Zielangabe 25 übergeben, sodass die Klassifikation durch das KI-Modul 31 ergeben soll, dass ein Kredit durch Veränderung des Datenelemente 42, 42', 42" gewährt wird. Als Randbedingung wird der Vorrichtung/Counterfactory 10 als Zulassungsangabe 22 übergeben, dass nur die Datenelemente der Merkmalskategorien EINKOMMEN 4 und BERUF 41" verändert werden dürfen.
Der Erklärungsdatensatz 2 entspricht im Wesentlichen dem Eingangsdatensatz 21. Lediglich in der Merkmalskategorie EINKOMMEN 4 ist der Wert verändert. Der Benutzer erhält somit mit dem Erklärungsdatensatz 2 einen Wert für das Einkommen, das notwendig ist, um bei andernfalls gleichbleibenden Merkmalen eine Klassifikation durch das KI-Modul 31 zu erhalten, sodass der Kredit gewährt wird.
Figur 7 zeigt ein verteiltes System 4, welches einen Server 50 und einen Client 60 aufweist. Der Server 50 und der Client 60 können über ein Kommunikationsnetz 70, wie dem Internet, kommunizieren. Dazu weist der Client 60 eine Client- Kommunikationsschnittstelle 63 auf, die mit einer Client-Recheneinheit 62 kommunikativ verbunden ist. Der Client 60 weist ferner eine Client- Speichereinheit 61 auf, die dazu ausgebildet ist, einen Eingangsdatensatz 21 zu speichern.
Der Server 50 weist eine Server-Kommunikationsschnittstelle 53 auf, die mit einer Server-Recheneinheit 52 kommunikativ verbunden ist. Die Server-Recheneinheit 52 ist dazu ausgebildet, ein Programm, welches die Counterfactory 10 implementiert auszuführen. Die Funktionalität der Counterfactory 10 wird in dem gezeigten Ausführungsbeispiel mittels einer API über die Server-
Kommunikationsschnittstelle 53 bereitgestellt. Das bedeutet, dass der Client 60 dazu ausgebildet ist, über einen API-Aufruf einen Benutzerdatensatz 20 an den Server 50 bzw. die Server-Kommunikationsschnittstelle 53 zu übertragen. Der Server 50 bzw. die Server-Recheneinheit 52 lädt aus einer Server-Speichereinheit 51 einen Anbieterdatensatz 30. Zusätzlich oder alternativ kann der Server 50 den Anbieterdatensatz 30 auch von einem zweiten Client über die Server- Kommunikationsschnittstelle 53 erhalten.
Die Server-Recheneinheit 52 ist ferner dazu ausgebildet, unter Berücksichtigung des Benutzerdatensatzes 20 und des Anbieterdatensatz 30 einen Erklärungsdatensatz 2 zu bestimmen und diesen über die Server- Kommunikationsschnittstelle 53 an den Client 60 zu übertragen.
Durch das Verwenden einer API ist es auch möglich, sogenanntes kontinuierliches Auditing (Engl. „Continuous Auditing") zu ermöglichen. Es kann also jederzeit die Funktion des KI-Moduls 31 geprüft werden.
In einem Ausführungsbeispiel ist es auch möglich, dass der Server 50 das KI- Modul 31 ausführt und die Ergebnisse, d.h. die jeweiligen Ausgangsdatensätze 3 speichert. Ein Benutzer bzw. ein Client 60 kann dann zu einem späteren Zeitpunkt einen Erklärungsdatensatz 2 abfragen. Dabei ist es optional möglich, dass in der Server-Speichereinheit 51 ebenfalls zu den jeweiligen Ausgangsdatensätzen 3 ein Zustand des verwendeten KI-Moduls 31 mitgespeichert wird, sodass verschiedene Versionen des KI-Moduls 31 zeitlich nachvollzogen werden können. Dabei kann es vorteilhaft sein, einen Flash-Wert für den Zustand des KI-Moduls 31 zu speichern.
Bezugszeichenliste
1 System
2 Erklärungsdatensatz
3 Ausgangsdatensatz
4 Verteiltes System
10 Vorrichtung/Counterfactory
11 Empfangseinheit
12 Optimierungseinheit Bereitstellungseinheit Spezifische Metrik Ähnlichkeitsmetrik Optimierungsaufgabe Optimierungsmethode Solver Benutzerdatensatz Eingangsdatensatz Zulassungsangabe Gewicht Bereichsangabe Zielangabe Datenelement Anbieterdatensatz KI-Modul Zulassungsangabe/Whitelist Ausgabeanzahl Abweichungsangabe , 4 , 41" Merkmalskategorie , 42', 42', 42'" Datenelement Server Server-Speichereinheit Server-Recheneinheit Server-Kommunikationsschnittstelle/API Client Client-Speichereinheit Client-Recheneinheit Client-Kommunikationsschnittstelle Kommunikationsnetzwerk

Claims

ANSPRÜCHE
1. Verfahren zum Bereitstellen eines Erklärungsdatensatzes (2) für ein KI- Modul (31), umfassend:
- Empfangen eines Benutzerdatensatzes (20), der zumindest einen Eingangsdatensatz (21) eines KI-Moduls (31) angibt, wobei das KI-Modul (31) dazu ausgebildet ist, für den Eingangsdatensatz (21), z.B. mittels einer Regression und/oder Klassifikation, einen Ausgangsdatensatz (3) zu berechnen, wobei der Benutzerdatensatz (20) zumindest eine Zielangabe (25) umfasst, die einen Wert eines Datenelements (26) in einem Ausgangsdatensatz (3) des KI-Moduls (31) angibt;
- Laden mindestens einer Optimierungsaufgabe (16), welche eine spezifische Metrik (14) und/oder eine Ähnlichkeitsmetrik (15) angibt;
- Berechnen mindestens einer Lösung der mindestens einen Optimierungsaufgabe (16) als Erklärungsdatensatz (2) unter Berücksichtigung des Benutzerdatensatzes (20) und des KI- Moduls (31) und unter Verwendung mindestens einer Optimierungsmethode (17), wobei das KI-Modul (31) dazu ausgebildet ist, für den Erklärungsdatensatz (2) einen Ausgangsdatensatz (3) zu berechnen, der das durch die Zielangabe (25) angegebene Datenelement (26) umfasst;
- Bereitstellen des Erklärungsdatensatzes (2) für das KI-Modul (31).
2. Verfahren nach Anspruch 1, d ad u rch g e ken nzei ch net, d a ss der Benutzerdatensatze (20) mindestens eine Randbedingung (22, 23, 24) für die mindestens eine Optimierungsaufgabe (16) umfasst, wobei die Optimierungsmethode (17) die mindestens eine Optimierungsaufgabe (16) unter Berücksichtigung der mindestens einen Randbedingung (22, 23, 24) des Benutzerdatensatzes (20) berechnet.
3. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 2, dadurch gekennzeichnet, dass die mindestens eine Randbedingung (22, 23, 24) eine Zulassungsangabe (22) umfasst, wobei eine Zulassungsangabe (22) angibt, in welchen durch den Eingangsdatensatz (21) definierten Merkmalskategorien (41, 4 , 41") sich der Erklärungsdatensatz (2) von dem Eingangsdatensatz (21) unterscheiden darf.
4. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 2, dadurch gekennzeichnet, dass die mindestens eine Randbedingung (22, 23, 24) mindestens ein Gewicht (23) umfasst, wobei ein Gewicht (23) eine Präferenz für eine Änderung einer Merkmalskategorie (41, 4 , 41") des Eingangsdatensatzes (21) im Erklärungsdatensatz (2) angibt.
5. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 2, dadurch gekennzeichnet, dass die mindestens einen Randbedingung (22, 23, 24) mindesten eine Bereichsangabe (24) umfasst, wobei die mindestens eine Bereichsangabe (24) einen erlaubten Wertebereich einer Merkmalskategorie (41, 4 , 41") des Erklärungsdatensatzes (2) angibt, insbesondere eine maximal und/oder minimal zugelassene Abweichung von einem Wert im Eingangsdatensatz (21).
6. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 2, dadurch gekennzeichnet, dass der Erklärungsdatensatz (2) eine Vielzahl von Variationen des Eingangsdatensatzes (21) umfasst, die jeweils die mindestens eine Randbedingung (21, 22, 23) erfüllen.
7. Verfahren nach einem der vorhergehenden Ansprüche, gekennzeichnet durch
Empfangen mindestens eines Anbieterdatensatzes (30), wobei der Anbieterdatensatz (30) mindestens eine Randbedingung (32, 33, 34) für die mindestens eine Optimierungsaufgabe (16) umfasst, wobei die Optimierungsmethode (17) die mindestens eine Optimierungsaufgabe (16) unter Berücksichtigung der mindestens einen Randbedingung (32, 33, 34) des Anbieterdatensatzes (30) berechnet.
8. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 7, dadurch gekennzeichnet, dass die mindestens eine Randbedingung (32, 33 ,34) des Anbieterdatensatzes (30) eine Ausgabeanzahl (33) angibt, wobei die Ausgabeanzahl (33) angibt, wie viele Variationen des Eingangsdatensatzes (21) berechnet werden und von dem Erklärungsdatensatz (2) umfasst sind.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die mindestens eine Optimierungsmethode (17) eine Gradientenmethode und/oder ein Newton-Verfahren umfasst.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die spezifische Metrik (14) minimal ist, wenn die Zielangabe (25) mit dem Datenelement des Ausgangsdatensatzes (3) des KI-Modules (31) übereinstimmt, wobei die spezifische Metrik (14) z.B. als Kreuzentropie und/oder als mittlere quadratische Abweichung ausgebildet ist.
11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Ähnlichkeitsmetrik (15) als eine Lp-Norm ausgebildet ist, insbesondere als L°, L1- und/oder L2-Metrik.
12. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 2 d ad u rch g e ken nzei ch net, d a ss die Optimierungsaufgabe (16) durch die Formel mm Msp(5 ) +2Mim(5) angegeben ist, wobei Msp die spezifische Metrik (14) und Mim die Ähnlichkeitsmetrik (15) angeben und d aus einer Menge der zulässigen Veränderungen des Eingangsdatensatzes (21) ausgewählt ist.
13. Verfahren nach einem der vorhergehenden Ansprüchen, g eken nze i ch net d u rch
Berechnen eines Ausgangsdatensatzes (3) unter Verwendung des KI- Moduls (31), wobei der Erklärungsdatensatz (2) als Eingangsdatensatz des KI-Modul (31) verwendet wird.
14. Computerlesbares Speichermedium (52), welches Instruktionen enthält, die mindestens einen Prozessor (51) dazu veranlassen, ein Verfahren nach einem der vorhergehenden Ansprüche zu implementieren, wenn die Instruktionen durch den mindestens einen Prozessor (51) ausgeführt werden.
15. Vorrichtung zur Bereitstellung eines Erklärungsdatensatzes (50), umfassend:
- eine Empfangseinheit (11, 50), die dazu ausgebildet ist, einen Benutzerdatensatz (20) zu empfangen, der zumindest einen Eingangsdatensatz (21) eines KI-Moduls (31) angibt, wobei das KI-Modul (31) dazu ausgebildet ist, für den Eingangsdatensatz (21), z.B. mittels einer Regression und/oder Klassifikation, einen Ausgangsdatensatz (3) zu berechnen, wobei der Benutzerdatensatz (20) zumindest eine Zielangabe (25) umfasst, die einen Wert eines Datenelements (26) in einem Ausgangsdatensatz (3) des KI-Moduls (31) angibt;
- eine Optimierungseinheit (12), die dazu ausgebildet ist, eine Optimierungsaufgabe (16) zu laden, welche eine spezifische Metrik (14) und/oder eine Ähnlichkeitsmetrik (15) angibt und die ferner dazu ausgebildet ist, mindestens eine Lösung der mindestens einen Optimierungsaufgabe (16) als Erklärungsdatensatz (2) unter Berücksichtigung des Benutzerdatensatzes (20) und des KI-Moduls (31) unter Verwendung mindestens einer Optimierungsmethode (17) zu berechnen, wobei das KI-Modul (31) dazu ausgebildet ist, für den Erklärungsdatensatz (2) einen Ausgangsdatensatz (3) zu berechnen, der das durch die Zielangabe (25) angegebene Datenelement (26) umfasst;
- eine Bereitstellungseinheit (13), die dazu ausgebildet ist, den Erklärungsdatensatz (2) bereitzustellen.
16. Vorrichtung nach Anspruch 14, g eken nze i ch net d u rch eine KI-Einheit (31), die dazu ausgebildet ist, einen Ausgangsdatensatz (3) zu berechnen, wobei der Erklärungsdatensatz (2) als Eingangsdatensatz des KI-Moduls (31) verwendet wird.
17. System (4), umfassend:
- mindestens eine Servereinheit (50), die insbesondere eine Vorrichtung nach einem der Ansprüche 15 bis 16 und eine Server-Kommunikationsschnittstelle (53) aufweist;
- mindestens eine Client-Einheit (60) mit einer Client- Kommunikationsschnittstelle (63), die dazu ausgebildet ist, eine Anfrage an die Server- Kommunikationsschnittstelle (53) zu senden, insbesondere über ein Kommunikationsnetz (70); wobe i die Server-Kommunikationsschnittstelle (53) dazu ausgebildet ist, eine anwendungsprogrammierbare Schnittstelle bereitzustellen, die dazu ausgebildet ist, einen Benutzerdatensatz (20) zu empfangen und einen Erklärungsdatensatz (3) zu senden.
EP20810956.1A 2019-11-22 2020-11-19 Verfahren zum bereitstellen eines erklärungsdatensatzes für ein ki-modul, computerlesbares speichermedium, vorrichtung und system Pending EP4062329A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019131639.1A DE102019131639B4 (de) 2019-11-22 2019-11-22 System zum Bereitstellen eines Erklärungsdatensatzes für ein KI-Modul
PCT/EP2020/082749 WO2021099501A1 (de) 2019-11-22 2020-11-19 Verfahren zum bereitstellen eines erklärungsdatensatzes für ein ki-modul, computerlesbares speichermedium, vorrichtung und system

Publications (1)

Publication Number Publication Date
EP4062329A1 true EP4062329A1 (de) 2022-09-28

Family

ID=73497788

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20810956.1A Pending EP4062329A1 (de) 2019-11-22 2020-11-19 Verfahren zum bereitstellen eines erklärungsdatensatzes für ein ki-modul, computerlesbares speichermedium, vorrichtung und system

Country Status (5)

Country Link
US (1) US20230025692A1 (de)
EP (1) EP4062329A1 (de)
CN (1) CN114830140A (de)
DE (1) DE102019131639B4 (de)
WO (1) WO2021099501A1 (de)

Also Published As

Publication number Publication date
CN114830140A (zh) 2022-07-29
DE102019131639A1 (de) 2021-05-27
DE102019131639B4 (de) 2022-01-13
WO2021099501A1 (de) 2021-05-27
US20230025692A1 (en) 2023-01-26

Similar Documents

Publication Publication Date Title
EP3785177B1 (de) Verfahren und vorrichtung zum ermitteln einer netzkonfiguration eines neuronalen netzes
DE102005034160A1 (de) Verfahren zur Optimierung der Durchführung von Messungen
DE102020206059A1 (de) Computerimplementiertes Verfahren und System zum Trainieren eines Auswertungsalgorithmus, Computerprogramm und elektronisch lesbarer Datenträger
EP3931760A1 (de) Training neuronaler netzwerke für effizientes implementieren auf hardware
WO2021099501A1 (de) Verfahren zum bereitstellen eines erklärungsdatensatzes für ein ki-modul, computerlesbares speichermedium, vorrichtung und system
DE102019213061A1 (de) Klassifizierung von KI-Modulen
DE102019127622B4 (de) Abwehrgenerator, Verfahren zur Verhinderung eines Angriffs auf eine KI-Einheit und computerlesbares-Speichermedium
EP3748574A1 (de) Adaptive bereinigung von messdaten um unterschiedliche arten von störungen
WO2020108748A1 (de) System und verfahren zum auffinden von optimierten kombinationen von berechnungsfunktionen
DE102022203834A1 (de) Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens unter Berücksichtigung von wenigstens einer Ungleichheitsbedingung
DE102022207072A1 (de) Verfahren zum Ermitteln einer optimalen Architektur eines künstlichen neuronalen Netzes
DE202022102072U1 (de) Vorrichtung zum Trainieren eines Algorithmus des maschinellen Lernens unter Berücksichtigung von wenigstens einer Ungleichheitsbedingung
DE102022212902A1 (de) Verfahren zum Trainieren eines künstlichen neuronalen Netzes
DE102016207768A1 (de) Vorrichtung und Verfahren zum Bereitstellen einer Menge von Modultypen
DE102021207754A1 (de) Erzeugung von computer-implementierten neuronalen netzwerken mit beseitigten architektonischen flaschenhälsen
DE102021109169A1 (de) Verfahren zum Trainieren eines neuronalen Netzes
DE202022105588U1 (de) Vorrichtung zum Trainieren eines Algorithmus des maschinellen Lernens durch ein bestärkendes Lernverfahren
DE102022132036A1 (de) Computerimplementiertes Verfahren zur Konstruktion eines Bauteils
DE202021103700U1 (de) Vorrichtung zum Erzeugen eines künstlichen neuronalen Netzes
WO2021180663A1 (de) Mikroskopiesystem und verfahren zum verarbeiten von mikroskopbildern
DE102021205097A1 (de) Computerimplementiertes Verfahren und System zur Bestimmung einer Kostenfunktion
DE102021207753A1 (de) Effizientes beschneiden zweiter ordnung von computer-implementierten neuronalen netzwerken
DE102022004161A1 (de) Verfahren zur Überwachung einer Anwendung durch ein Überwachungssystem sowie ein entsprechendes Überwachungssystem
DE102022110127A1 (de) Assistenzsystem zur Generierung von Routenplänen für autonome landwirtschaftliche Arbeitsmaschinen
DE102022206892A1 (de) Verfahren zum Bestimmen einer optimalen Architektur eines künstlichen neuronalen Netzes

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220621

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20231110