MA zum Thema "Erklärbare künstliche Intelligenz im Energiesystem"

Was Sie erwarten können

Die Projektplanung von Windparks ist sehr aufwendig und mit einigen rechtlichen Hürden verbunden. So müssen mitunter aufwendige Verträglichkeitsprüfungen in Bezug auf den Naturschutz, insbesondere für die Artengruppen Vögel und Fledermäuse, durchgeführt werden. Um diese Prozesse und somit den Ausbau von Windenergieanlagen deutlich zu beschleunigen, entwickelt das Fraunhofer IEE aktuell ein System zur automatisierten Detektion windkraftsensibler Vogelarten. Dabei werden Verfahren des Deep Learnings (DL) eingesetzt, um geschützte Vogelarten anhand von Audiosignalen automatisiert zu erkennen sowie deren Vorkommen räumlich und zeitlich zu erfassen. Allerdings bergen komplexe KI-Verfahren wie das DL den Nachteil, dass aufgrund ihres Black-Box-Charakters nicht einfach nachzuvollziehen ist, wie das zugrundeliegende Modell seine Entscheidungen trifft. Damit die DL-basierte Vogeldetektion dennoch bei den Stakeholder/-innen auf vollständiges Vertrauen trifft, ist es notwendig, dass die Entscheidungen der KI hinreichend transparent und erklärbar sind.

Das Ziel der Masterarbeit besteht daher in der Untersuchung von Methoden der Explainable AI, welche es den Stakeholder/-innen ermöglichen, die Entscheidungsfindung DL-basierter Vogeldetektionsverfahren besser zu verstehen. Hierbei sollen insbesondere Erklärbarkeitsmethoden entwickelt werden, die in der Lage sind zu beurteilen, welche Features der Eingangsdaten am wichtigsten für die Detektion bestimmter Vogelarten sind. Es existieren bereits einige Frameworks zur Interpretation von KI-Verfahren (SHAP, Lime, InterpretML, Fiddler, ELI5, etc.), welche im Hinblick auf diese Problemstellung evaluiert werden sollen.
Die zentrale Herausforderung besteht dann darin, die Methoden an die Problemstellung anzupassen und ein Verfahren zur Bewertung der Aussagekraft einzelner Interpretationen des DL-Modells zu entwickeln.