Verteiltes maschinelles Lernen

Nachrichten über neue Einsatzmöglichkeiten der Künstlichen Intelligenz (KI) erreichen uns fast täglich. Während China angesetzt hat, die Vormachtstellung der USamerikanischen IT-Konzerne bis 2030 auf allen Gebieten der KI zu brechen, rechnet sich Deutschland Vorteile im Kontext von Industrie 4.0 aus. Die heutigen Erfolge der KI beruhen auf riesigen Datenmengen, die zentral gesammelt und analysiert werden. Zwar fallen auch in der Industrie große Datenmengen an, aber beschränkte Bandbreite, Kommunikationskosten, schnelle Reaktionszeiten, Datenschutz oder Betriebsgeheimnisse verbieten eine solche Datenzentralisierung oftmals.

Datenverarbeitungsprozesse werden immer komplexer hinsichtlich der Datenmenge, Datendimension und dem Zusammenhang der abgeleiteten Informationen mit den Eingangsdaten. Dieses wird bei sensorischen Messprozessen besonders deutlich, wo Messunsicherheiten, Kalibrierungsfehler, und Unzuverlässigkeit von Sensoren signifikanten Einfluss auf die Informationsgewinnung haben. Gerade im technischen und industriellen Kontext stellt die zunehmende Komplexität und Verteilung der Datenverarbeitung ein zunehmendes Problem dar. Häufig stehen hinter der Informationsableitung mathematische Modelle und Funktionen, die aber nicht immer vollständig sind. Geht es um die Gewinnung von Zustandsaussagen eines Systems oder um Adaption, können Lernverfahren eine Alternative darstellen. Traditionell werden Messdaten zentral gesammelt und ausgewertet. Es soll aufgezeigt werden, wie verteiltes Maschinelles Lernen mit mobilen Agenten und selbst-organisierenden Systemen einen signifikanten Beitrag zur ...