Explainable AI 4: Anomalieerkennung und Erklärbarkeit für Zeitreihen

Eine zentrale Frage der Explainable AI ist, ob Modellerklärungen das Schlussfolgern widerspiegeln, das Menschen tatsächlich anwenden. Ein Vergleich, wie Menschen und neuronale Netze verborgene visuelle Muster erschließen, zeigt, wo ihre Konzepte übereinstimmen, wo sie sich unterscheiden und wo aktuelle Erklärmethoden an ihre Grenzen stoßen.

Eine der zentralen Fragen der Explainable AI ist, ob Modellerklärungen tatsächlich das Schlussfolgern widerspiegeln, das Menschen beim Lösen einer Aufgabe anwenden. In dieser interaktiven und diskussionsorientierten Session gehen wir dieser Frage anhand des Kandinsky-Pattern-Benchmarks nach, der ursprünglich von Andreas Holzinger vorgeschlagen wurde.

Auch mit nur wenigen beschrifteten Beispielen sind Menschen erstaunlich gut darin, die verborgenen Regeln zu erschließen, die zwei visuelle Klassen voneinander unterscheiden. Doch lernen neuronale Netze dieselben Konzepte? Zunächst entwickeln und diskutieren die Teilnehmer:innen eigene Hypothesen über die zugrunde liegenden Muster. Anschließend trainieren wir Modelle mit denselben Beispielen und untersuchen mithilfe etablierter XAI-Methoden wie DeepLIFT/Grad-CAM, LIME und SHAP, welche Konzepte ihren Vorhersagen zugrunde liegen. Indem wir schrittweise von einfacheren zu komplexeren Kandinsky-Mustern übergehen, vergleichen wir das menschliche Schlussfolgern mit den Modellerklärungen und diskutieren, wo diese übereinstimmen, wo sie sich unterscheiden und wo aktuelle Erklärmethoden an ihre Grenzen stoßen könnten.

Lernziele

• Typische Anwendungsfälle der Anomalieerkennung und Erklärbarkeit für Transaktions- und Zeitreihendaten verstehen
• Explorative Datenanalyse durchführen und geeignete Methoden der Anomalieerkennung anwenden
  
• Modelle zur Anomalieerkennung für tabellarische Daten und Zeitreihen erstellen und evaluieren
  
• Erklärbarkeitsmethoden (z. B. Feature Importance, SHAP) anwenden und interpretieren
  
• Herausforderungen wie unausgewogene Klassenverteilungen und zeitliche Abhängigkeiten erkennen und in der Praxis berücksichtigen
  
• Die Grenzen und Risiken von Erklärbarkeitsmethoden im praktischen Einsatz kritisch beurteilen

Agenda

Einen detaillierten Zeitplan und weitere Informationen finden Sie unter Agenda & Inhalt im linken Menü.

Zielgruppe

Willkommen sind alle, die ein tieferes Verständnis dafür gewinnen möchten, wie und warum KI-Systeme Entscheidungen treffen.

Dieses Webinar ist offen und kostenfrei für alle Teilnehmer:innen aus Wissenschaft, Industrie und öffentlicher Verwaltung in EU und/oder EuroHPC JU Mitgliedsländern.

Voraussetzungen

Grundlagen – es sind keine XAI-Vorkenntnisse erforderlich.

Von den Teilnehmer:innen wird erwartet, dass sie mit grundlegenden Konzepten des maschinellen Lernens und der Programmierung in Python vertraut sind; praktische XAI-Erfahrung ist nicht erforderlich.

Hands-on labs

Alle Teilnehmer:innen erhalten einen temporären Benutzeraccount auf einem der ASC-Systeme, um die Hands-on-Labs durchzuführen.

Sie verwenden Ihren eigenen Laptop oder Arbeitsplatzrechner, um sich bequem über Ihren Browser mit dem ASC-JupyterHub zu verbinden und die praktischen Übungen auf einer geeigneten CPU- oder GPU-Partition des ASC durchzuführen.

Angenommene Teilnehmer:innen werden einige Tage vor dem Kurs kontaktiert und gebeten, eine kurze Vorabaufgabe zu erledigen, die vor Kursbeginn abgeschlossen sein muss.

Vortragende

Anahid Wachsenegger (AIT Austrian Institute of Technology GmbH)

Anahid Wachsenegger ist Data Scientist am AIT Austrian Institute of Technology und auf künstliche Intelligenz, erklärbares maschinelles Lernen, datengetriebene Modellierung und Zeitreihenanalyse spezialisiert, unter anderem in Bereichen wie Forstwirtschaft und Mobility Data Science. Sie hat einen Masterabschluss in Computational Intelligence der TU Wien und war außerdem als Lehrbeauftragte für Medien- und Digitaltechnologien an der Fachhochschule St. Pölten tätig. Mit Leidenschaft widmet sie sich der Entwicklung vertrauenswürdiger, transparenter KI-Systeme, der Anwendung von Data Science auf reale Herausforderungen und der Unterstützung von Studierenden und Anwender:innen beim Verständnis und verantwortungsvollen Einsatz moderner KI-Technologien.

Sprache

Deutsch

Datum, Zeit & Ort

31.03.2027, 13:00 – 17:00 (MEZ), LIVE ONLINE COURSE (Zoom)

Anmeldung

Zur Teilnahme ist eine Anmeldung nötig, den Link zum Anmeldeformular finden Sie im Menu links oben auf dieser Seite. Bitte melden Sie sich mit ihrer offiziellen institutionellen E-Mail-Adresse an, um Ihre Zugehörigkeit nachzuweisen.

Sie erhalten den Zoom-Link für das Webinar in der automatischen Bestätigung per E-Mail (Betreff beginnt mit "[Indico]"), bitte überprüfen Sie auch Ihren Spam-/Junk-Ordner. Wir werden Sie auch kurz vor dem Webinar nochmals per E-Mail daran erinnern.

Nach Ihrer erfolgreichen Anmeldung erhalten Sie einige Tage vor dem Kurs weitere Informationen.

Für Fragen wenden Sie sich bitte an training@ai-at.eu.

Warteliste

Sobald die maximale Teilnehmer:innenzahl erreicht oder das Anmeldeformular geschlossen ist, können Sie uns eine E-Mail (training@ai-at.eu) senden und uns mitteilen, dass Sie gerne auf die Warteliste aufgenommen werden möchten (durch Stornierungen o. Ä. können Plätze frei werden).

Um die Hands-on-Labs auf den ASC-Systemen durchführen zu können, geben Sie bitte Ihre vollständige internationale Mobiltelefonnummer an. Sie wird für die Zwei-Faktor-Authentifizierung benötigt, die für den Login auf den ASC-Systemen erforderlich ist.

Änderungen, Abmeldungen & No-Show Regelung

Ihre Anmeldung ist verbindlich. Bitte melden Sie sich nur für den Kurs an, wenn Sie auch wirklich daran teilnehmen werden.

Sie können Ihre Anmeldedaten jederzeit vor Ablauf der Anmeldefrist über den Link „Meine Anmeldung verwalten“ aktualisieren oder Ihre Anmeldung stornieren. Den Link finden Sie am Ende Ihrer automatischen Bestätigungs-E-Mail (Betreff beginnt mit „[Indico] Anmeldung“).

Alternativ oder nach Ablauf der Anmeldefrist teilen Sie uns bitte Ihre Stornierung oder etwaige Änderungen Ihrer Anmeldedaten (insbesondere Ihrer Handynummer) per E-Mail (training@ai-at.eu) mit.

No-Show-Regelung: Wenn Sie nicht stornieren und nicht zum Kurs erscheinen, werden Sie von zukünftigen Schulungsveranstaltungen ausgeschlossen.

Veranstalter

      

Dieses Webinar wird von AI Factory Austria AI:AT und Austrian Scientific Computing ASC (ASC Research Center, TU Wien) gemeinsam organisiert.

Danksagung

AI Factory Austria AI:AT wird durch das European High-Performance Computing Joint Undertaking (JU) im Rahmen der Fördervereinbarung Nr. 101253078 finanziert. Das JU erhält Unterstützung vom Horizon Europe Programm der Europäischen Union sowie von Österreich (BMIMI / FFG).