AI4REALNET

Der Umfang von AI4REALNET umfasst die Perspektive KI-basierter Lösungen für kritische Systeme (Strom-, Eisenbahn- und Flugverkehrsmanagement), die durch Netzwerke modelliert werden, die simuliert werden können und traditionell von Menschen betrieben werden, und bei denen KI-Systeme die menschlichen Fähigkeiten ergänzen und erweitern. Es verfolgt zwei strategische Hauptziele: 1) die Entwicklung der nächsten Generation von Entscheidungsmethoden auf der Grundlage von Supervised und Reinforcement Learning, die auf Vertrauenswürdigkeit bei der KI-gestützten menschlichen Kontrolle mit erweiterter Kognition, hybridem Mensch-KI-Co-Learning und autonomer KI abzielen; und 2) Förderung der Entwicklung und Validierung neuartiger KI-Algorithmen durch das Konsortium und die KI-Gemeinschaft durch bestehende digitale Open-Source-Umgebungen, die in der Lage sind, realistische Szenarien des Betriebs physischer Systeme und der menschlichen Entscheidungsfindung zu emulieren.
Die Kernelemente sind: a) KI-Algorithmen, die hauptsächlich aus Supervised und Reinforcement Learning bestehen und die Vorteile bestehender Heuristiken, physikalischer Modellierung dieser komplexen Systeme und Lernmethoden vereinen, sowie eine Reihe ergänzender Techniken zur Verbesserung von Transparenz, Sicherheit und Erklärbarkeit und menschliche Akzeptanz; b) Human-in-the-Loop Entscheidungsfindung für gemeinsames Lernen zwischen KI und Menschen unter Berücksichtigung der Integration von Modellunsicherheit, menschlicher kognitiver Belastung und Vertrauen; c) autonome KI-Systeme, die auf menschlicher Aufsicht basieren und in menschliches Wissen und Sicherheitsregeln eingebettet sind.
Das AI4REALNET-Framework wird in 6 Anwendungsfällen validiert, die auf Branchenanforderungen basieren, und zwar über 3 Netzwerkinfrastrukturen mit gemeinsamen Eigenschaften. Die Anwendungsfälle konzentrieren sich auf kritische Herausforderungen und Aufgaben von Netzbetreibern unter Berücksichtigung strategischer langfristiger Ziele wie Dekarbonisierung, Digitalisierung und Widerstandsfähigkeit gegenüber Störungen und werden in einem einheitlichen sequentiellen Entscheidungsproblem formuliert, das viele KI- und Nicht-KI-Algorithmen erfüllen können angewendet und bewertet werden.