Im Gegensatz zu etablierten maschinellen Lernverfahren sehen konstruktivistische Lerntheorien nicht nur ein unüberwachtes oder überwachtes Lernen vor, sondern auch ein Lernen mittels Zweifel. Die drei zugrundeliegenden Prozesse menschlichen Lernens werden als Konstruktion, Rekonstruktion und Dekonstruktion von Wissen und Fähigkeiten bezeichnet.

Konstruktivistisches maschinelles Lernen vereinheit daher überwachte und unüberwachte Lernverfahren mit einer dritten Säule, der maschinellen Dekonstruktion, zu einem einheitlichen Framework. Um einen Dekonstruktionsprozess operationalisieren und automatisieren zu können, werden maschinell erlernte Zusammenhänge hier als Modelle im Sinne der Allgemeinen Modelltheorie nach Herbert Stachowiak interpretiert.

Wesentliches Ergebnis konstruktivistischen maschinellen Lernens ist eine modulare und hierarchisch geordnete Wissensbasis. Diese wird nicht nur automatisiert erzeugt, sondern anhand von Metdaten-basiertem Lernen auch automatisiert angepasst. Gegenüber klassischen Ansätzen maschinellen Lernens ermöglicht dieser Ansatz hybrider künstlicher Intelligenz unter anderem ein effektives Handling von Concept Drifts.

Aufbauend auf der Dissertation von Thomas Schmid hat die Arbeitsgruppe Maschinelles Lernen dieses Verfahren inzwischen als freie und quelloffene Implementierungen in Python, R und Julia realisiert. Diese sind über ein eigenes Gitlab-Repository frei zugänglich. Ein Tool zur grafischen Auswertung der erzeugten Wissensbasis wird in Kürze ebenfalls veröffentlich werden.

Ansprechpartner

Ausgewählte Publikationen

  • T. Schmid
    Batch-like Online Learning for More Robust Hybrid Artificial Intelligence: Deconstruction as a Machine Learning Process | LINK

    Proceedings of the AAAI 2021 Spring Symposium on Combining Machine Learning and Knowledge Engineering (AAAI-MAKE 2021). Stanford University, Palo Alto, California, USA, March 22-24, 2021.

  • T. Schmid
    Using Learning Algorithms to Create, Exploit and Maintain Knowledge Bases: Principles of Constructivist Machine Learning | LINK

    Proceedings of the AAAI 2020 Spring Symposium on Combining Machine Learning and Knowledge Engineering in Practice (AAAI-MAKE 2020). Stanford University, Palo Alto, California, USA, March 23-25, 2020.

  • T. Schmid
    Deconstructing the Final Frontier of Artificial Intelligence: Five Theses for a Constructivist Machine Learning | LINK

    Proceedings of the AAAI 2019 Spring Symposium on Combining Machine Learning with Knowledge Engineering (AAAI-MAKE 2019), Stanford University, Palo Alto, California, USA, 2019

  • T. Schmid
    Automatisierte Analyse von Impedanzspektren mittels konstruktivistischen maschinellen Lernens | LINK

    Dissertation, Leipzig, 2018