Neu­ro-Sym­bo­li­sche KI im Be­reich Com­pu­ter Vi­si­on

Neuro-Symbolische KI ist eine relativ neue Forschungsrichtung, die sich mit der Verknüpfung von rein datenbasierten ML-Modellen (subsymbolische KI) und modellbasierten Ansätzen (symbolische KI) befasst. Sie vereint die Stärken dieser beiden Ansätze, um Limitationen modernster Deep-Learning-Verfahren wie mangelnde Transparenz zu adressieren.

Das TTZ Günzburg beschäftigt sich insbesondere mit Neuro-Symbolischen KI-Architekturen im Bereich von Computer Vision, u.a. zur Emotionserkennung. In Mensch-Mensch und Mensch-Maschinen-Interaktionen spielen Emotionen eine bedeutende Rolle, was die gesellschaftliche Relevanz dieses Forschungsbereichs unterstreicht.

Die aktuellen Herausforderungen in der Emotionserkennung liegen in der Komplexität der Aufgabenstellung, insbesondere hinsichtlich der Individualität und Mehrdeutigkeit von Emotionen sowie der Notwendigkeit präsziser Daten-Annotationen (Labeln). Bisherige Forschungsergebnisse zeigen, dass rein datenbasierte KI-Modelle, die auf Deep Learning beruhen, durch ihre numerische Komplexität Einschränkungen bezüglich Interpretierbarkeit, Überprüfbarkeit, abstrakten Denken und Übertragbarkeit auf andere Szenarien aufweisen.

Unser Ziel besteht darin, hochkomplexe Emotionen effizient, zuverlässig, nachvollziehbar und überprüfbar zu deuten. Hierfür müssen neue Architekturen entworfen, getestet und mittels eigens erhobener Daten experimentell validiert werden. Dieser Ansatz soll dazu beitragen, die Schlussfolgerungen solcher KI-Systeme zu verbessern und die Komplexität der Emotionserkennung effektiver anzugehen.