Made in Mannheim: Künstliche Intelligenz

Wissensgraphen spielen eine zentrale Rolle im täglichen Leben, obwohl sie in der Öffentlichkeit kaum bekannt sind. Beispielsweise stammen viele Filmempfehlungen auf Streaming-Plattformen aus solchen Systemen. Diese Graphen sind ein integraler Bestandteil der Künstlichen Intelligenz (KI) und dienen dazu, Informationen zu suchen und miteinander zu verknüpfen.

Was ist ein Wissensgraph?

Ein Wissensgraph ordnet Informationen so, dass Zusammenhänge zwischen Begriffen, Personen, Daten oder Objekten sichtbar werden. Er hilft KI-Systemen dabei, Inhalte nicht nur zu speichern, sondern auch miteinander in Beziehung zu setzen.

Gerade in Bereichen mit vielen unterschiedlichen Datenquellen kann das hilfreich sein, weil Informationen strukturierter ausgewertet und für weitere Schritte genutzt werden können.

Das Forschungsprojekt LAVA, geleitet von Prof. Dr. Heiko Paulheim, Professor für Data Science an der Universität Mannheim, zielt darauf ab, Wissensgraphen, die in KI-Systemen verwendet werden, automatisch zu erstellen und zu verbessern. Paulheim führt dieses Projekt in Kooperation mit der Karlsruher Firma medicalvalues GmbH durch, einem Unternehmen, das sich auf KI-Lösungen für die medizinische Diagnostik spezialisiert hat und mit dem Paulheim bereits seit 2023 in einem Projekt zur KI-basierten Erkennung von Diabetes zusammenarbeitet. Im Gegensatz zu Anwendungen wie Filmempfehlungen ist in der medizinischen Diagnostik eine hohe Zuverlässigkeit und Vertrauenswürdigkeit der KI essentiell.

Ein zentrales Ziel des LAVA-Projekts ist es, ein zertifiziertes Medizinprodukt zu entwickeln, das es Ärzten ermöglicht, schnelle und präzise Diagnosen zu stellen. Dabei sollen beispielsweise Daten wie Röntgenbilder, Blutwerte und weitere relevante Messungen mittels eines Wissensgraphen verknüpft werden, um medizinischem Personal die Entscheidungsfindung zu erleichtern. Das Team um Paulheim entwickelt Softwarekomponenten, die den Wissensgraphen ständig aktuell und fehlerfrei halten.

Wie könnte die Anwendung in der Praxis aussehen?

In der medizinischen Diagnostik kann eine solche KI dabei unterstützen, unterschiedliche Hinweise aus verschiedenen Datenquellen gemeinsam zu betrachten. So entstehen strukturierte Vorschläge, die dem medizinischen Personal als Entscheidungshilfe dienen können.

Wichtig ist dabei der Workflow: Die KI liefert keinen endgültigen Befund, sondern unterstützt die Einordnung. Das medizinische Personal prüft die Vorschläge und entscheidet, ob Informationen übernommen, angepasst oder verworfen werden.

Paulheim erklärte, dass das Ziel sei, wiederverwendbare und gut dokumentierte Komponenten für eine transparente KI bereitzustellen, die als White-Box KI bekannt sind. Diese Modelle sind so gestaltet, dass nachvollziehbar ist, wie Entscheidungen zustande kommen, im Gegensatz zu Black-Box Modellen, deren Entscheidungsfindung für den Nutzer undurchsichtig bleibt. Er betonte, dass eine KI erst dann vertrauenswürdig sei, wenn Nutzer jede Entscheidung verstehen und bei Bedarf korrigieren können. Bei medicalvalues soll die KI in der Lage sein, Vorschläge zur Erweiterung des Wissensgraphen zu machen, wobei jede Erweiterung vom medizinischen Personal überprüft und gegebenenfalls korrigiert wird.

White-Box-KI und Black-Box-KI: Wo liegt der Unterschied?

Bei einer White-Box-KI steht die Nachvollziehbarkeit im Vordergrund. Entscheidungen sollen so dokumentiert sein, dass Fachleute erkennen können, wie ein Ergebnis zustande gekommen ist.

Black-Box-Modelle funktionieren dagegen oft ohne transparente Begründung für den einzelnen Schritt. Für sensible Anwendungsfelder wie die medizinische Diagnostik ist die nachvollziehbare Variante besonders wichtig, weil Vorschläge überprüft und bei Bedarf korrigiert werden müssen.

Das Projekt erhielt eine Förderung des Bundesministeriums für Bildung und Forschung (BMBF) in Höhe von 300.000 Euro für die nächsten 18 Monate, nachdem sich Paulheim erfolgreich bei einem DATIpilot-Pitch in Darmstadt durchgesetzt hatte. Dort wurde das Projekt als eines von 600 Teilnehmenden zur Förderung ausgewählt.

Was bedeutet die DATIpilot-Förderung für das Projekt?

Die Erwähnung der DATIpilot-Förderlinie zeigt, dass das Vorhaben nicht nur wissenschaftlich interessant, sondern auch für die anwendungsorientierte Förderung relevant ist. Solche Programme sind darauf ausgerichtet, Forschung und Praxis enger zusammenzubringen.

Für Leserinnen und Leser ist das ein Hinweis darauf, dass das Projekt bereits in einem frühen Stadium als umsetzungsnah und förderwürdig eingeordnet wurde.

Die DATIPilot-Förderlinie des BMBF zielt darauf ab, Innovationen zu fördern, die eng mit Forschung verbunden sind und sich an Akteure aus Wissenschaft und Gesellschaft richten, die projektorientierte Ideen zur Bewältigung gesellschaftlicher Herausforderungen umsetzen möchten. Insgesamt wurden 3.000 Projekte eingereicht, von denen 600 als förderwürdig eingestuft und zu Pitch-Verfahren in ganz Deutschland eingeladen wurden, darunter auch in Darmstadt.

Dieser Text basiert auf einer Pressemitteilung von Universität Mannheim / Veröffentlicht am 24.06.2024

Einordnung: Warum das Projekt für Mannheim relevant ist

Das Projekt verbindet Forschung, medizinische Anwendung und regionale Innovationsförderung. Für die Universität Mannheim ist es ein Beispiel dafür, wie Data Science und Künstliche Intelligenz in konkrete gesellschaftliche Anwendungsfelder übertragen werden können.

Für Leserinnen und Leser ist dabei besonders interessant, dass nicht nur eine neue KI-Idee vorgestellt wird, sondern ein Projekt, das bereits mit einem Industriepartner und einer Förderlinie des BMBF verbunden ist.

Typische Herausforderungen bei KI im medizinischen Kontext

Auch transparente Systeme müssen sorgfältig geprüft werden. Fehler können etwa entstehen, wenn Daten unvollständig sind, Zusammenhänge falsch interpretiert werden oder Vorschläge nicht ausreichend kontrolliert werden.

Deshalb ist die Zusammenarbeit zwischen KI und Fachpersonal zentral: Die Technik kann strukturieren und vorbereiten, die fachliche Verantwortung bleibt aber bei den Menschen.

FAQ zum Projekt „Made in Mannheim: Künstliche Intelligenz“

Worum geht es bei LAVA?

Das Projekt arbeitet daran, Wissensgraphen für KI-Systeme so zu verbessern, dass sie in der medizinischen Diagnostik besser nutzbar werden.

Warum ist die Förderung wichtig?

Die Förderung unterstützt die Entwicklung einer anwendungsnahen Lösung, die Forschung und praktische Nutzung miteinander verbindet.

Was macht das Projekt für die Universität Mannheim relevant?

Es zeigt, wie Forschung aus dem Bereich Data Science in ein konkretes Anwendungsfeld übertragen werden kann.