10/2024 - Projektexplanation und Research Updates des CausalAnomalies Projekts
Die Anomalie-Detektion – also das Erkennen von Unregelmäßigkeiten – ist für viele Anwendungsgebiete im Deutschen Zentrum für Luft- und Raumfahrt (DLR) essentiell. Bei Abweichungen vom Normalzustand eines dynamischen Systems können die Anwendenden eingreifen, um Prozesse zu stoppen oder anzupassen. Außerdem deuten erkannte Anomalien auf andersartige Zustände der überwachten Systeme, wie etwa Beschädigungen hin, die so erkannt und behoben werden können. Daneben ist aber insbesondere ein kausales Ursachenverständnis wichtig, damit die Prozesse auch modelliert und vorhergesagt werden können, bevor es zu einer Systemänderung kommt.
Im Projekt „CausalAnomalies“ geht es um die Entwicklung von neuen, kausal erklärbaren Algorithmen, die Anomalien erkennen. Anomale Zustände in Zeitreihen zu finden, ist ein Ziel überall dort, wo sequenzielle Daten aufgenommen und analysiert werden. Diese Daten sind oft hochdimensional, fehlerbehaftet, unvollständig oder nicht gelabelt. Und häufig ist nicht bekannt, welches anomale Verhalten der Daten relevant ist. Daher ist ein erstes Projektziel die Erforschung von KI-Methoden zur Anomalie-Detektion. Das nächste Ziel ist die Erklärbarkeit dieser Methoden, um den „Black-Box“-Charakter vieler Verfahren zu überwinden. Dafür sollen kausale Methoden genutzt und adaptiert werden. Anschließend werden die entwickelten Methoden auf verschiedene Anwendungsfälle im DLR übertragen, getestet und gegebenenfalls optimiert.
Wir, als DLR Institut für Datenwissenschaften haben neben der Projektleitung die Entwicklung der numerischen Methoden zur Anomalieerkennung und speziellen kausalen Fragestellung inne. Dabei arbeiten wir eng mit den Domänenexperten der folgenden fünf anderen DLR-Instituten zusammen:
Der aktuelle Stand unserer Arbeit bei CausalAnomalies ist:
- Entwicklung und Implementierung eines Deep Learning basierten Anomalieerkennungsalgorithmus für sequenzielle Daten
- Entwicklung und Implementierung von konditionalen Unabhängikeitstests für gemischt kontinuierliche und kategoriale Variablen für kausale Inferenz
- Abschluss der anwendungsfallspezifischen Sprints, in denen konkrete Fragestellungen zur Anomalieerkennung und kausalen Methoden erarbeitet würden. Außerdem wurden in Experimenten die numerischen Methoden zur Anomalieerkennung und kausalen Inferenz zur Beantwortung der jeweiligen Fragestellungen erprobt.
Weitere Informationen zum Projekt CausalAnomalies finden Sie hier.