Human-Centered Artificial Intelligence

Junges Kolleg der Bayerischen Akademie der Wissenschaften

Human-Centered Artificial Intelligence ist ein interdisziplinärer Ansatz um künstliche Intelligenz als Werkzeug für eine bessere Mensch-Maschine-Interaktion zu nutzen. Basierend auf Ergebnissen der Psychologie und Biologie verallgemeinert er klassiche Techniken der künstlichen Intelligenz, sodass sie besser für Menschen verständlich sind und eine natürliche Interaktion zwischen menschlicher und künstlicher Intelligenz erlauben.

Propose

Entscheidungen von Menschen wie Maschinen beruhen auf Alternativen. Im Gegensatz zu gängigen KI-Verfahren sind die Alternativen in meinem Algorithmus nicht vordefiniert, sondern werden im Entscheidungsprozess dynamisch erarbeitet.

Evaluate

Alternativen werden in meinem Modell von unabhängigen Evaluationsprozessen bewertet. Diese repräsentieren verschiedene Gesichtspunkte der Lösungsqualität und können sich widersprechen.

Focus

Bei gängigen KI-Verfahren werden verschieden Evaluationsaspekte durch gewichtete Summen in einen Wert verrechnet. Die Ergebnisse sind meist unintuitiv, da Menschen bei ihren Entscheidungen keine gewichteten Summen bilden, was durch empirische Studien nachgewiesen ist. Mein Verfahren imitiert menschliche Heuristiken mit Methoden der Sozialwahltheorie.

Iterate

Durch wiederholtes Generieren bzw. Adaptieren von Alternativen, Evaluieren und Fokussieren, wird die Lösung schrittweise bestimmt. Das Verfahren kann vollautomatisch ablaufen oder in einem kollaborativen Prozess mit Menschen.

Wissenschaft ist ein iterativer Prozess von Beobachten und Theoriebildung. Genau so habe ich meinen Algorithmus entwickelt und genau so kann er für konkrete Fragestellungen genutzt werden. Durch das Protoyping von Anwendungsfällen bekommt man schnell ein Gefühl dafür was gut funktioniert und wo Verbesserungsbedarf besteht.

In dem Ansatz geht es nicht darum, eine Speziallösung für ein spezifisches Problem zu entwickeln, sondern einen allgemeinen Mechanismus, der auf viele verschiedene Aufgabenstellungen übertragbar ist. Deshalb ist das Verfahren an zwei sehr unterschiedlichen Aufgaben entwickelt worden: dem Traveling Salesperson Problem (einem Problem aus der theoretischen Informatik, das in vielen realen Aufgaben in abgewandelter Form vorkommt) und der Navigation von autonomen Robotern (d.h. der Roboter hat die Aufgabe einen Zielpunkt zu erreichen und muss dafür den nächsten Befehl an seine Räder schicken).

Das Verfahren eignet sich vor allem für Beinahe-Optimierungsprobleme, also Aufgaben, die sich nicht vollständig formalisieren lassen, die jedoch zu unübersichtlich sind um von Menschen ohne technische Unterstützung gelöst zu werden, z.B.

• Erstellung von Produktionsplänen
• Kategorisierung von Produktgruppen
• Planung von Verkaufsniederlassungen
• Bildung von (Kunden-)Kohorten
• Wartung komplexer IT-Systeme

Im Gegensatz zu klassischen Optimierungsverfahren zeichnet sich mein Ansatz aus durch

• hohe Nutzerakzeptanz
• Robustheit
• Verständlichkeit