Wie das Copilot-System des MIT den Weg für eine neue Ära der KI-Innovation ebnet

MITs Air-Guardian: Flug­sicherheit durch KI verbessern

Wissenschaftler des MIT haben Air-Guardian entwickelt, ein hochmodernes Deep-Learning-System, das Piloten zur Seite steht und die Flugsicherheit erheblich verbessert. Dieser KI-Co-Pilot kann kritische Situationen erkennen, die menschlichen Piloten möglicherweise entgehen, und eingreifen, um potenzielle Unfälle zu vermeiden.

Im Zentrum von Air-Guardian steht eine bahnbrechende Deep-Learning-Architektur namens Liquid Neural Networks (LNN), die vom MIT Computer Science and Artificial Intelligence Lab (CSAIL) entwickelt wurde. LNNs haben in verschiedenen Bereichen vielversprechende Ergebnisse gezeigt, insbesondere in Situationen, die effiziente und nachvollziehbare KI-Systeme erfordern, und stellen eine überzeugende Alternative zu herkömmlichen Deep-Learning-Modellen dar.

Überwachung von menschlicher Aufmerksamkeit und KI-Fokus

Air-Guardian nutzt eine innovative Methode zur Verbesserung der Sicherheit während des Flugs. Es überwacht kontinuierlich die Aufmerksamkeit des Piloten und den Fokus der KI, um Fälle zu erkennen, in denen beide divergieren. Verpasst der Pilot einen kritischen Aspekt, kann das KI-System nahtlos die Kontrolle über die relevanten Flugparameter übernehmen.

Dieser „Mensch-in-der-Schleife“-Ansatz stellt sicher, dass der Pilot das Kommando behält, während die KI eventuelle Versäumnisse ausgleicht. Ramin Hasani, KI-Wissenschaftler am MIT CSAIL und Mitautor der Air-Guardian-Studie, erklärt: „Ziel ist es, Systeme zu schaffen, die mit Menschen zusammenarbeiten, sodass KI in herausfordernden Situationen unterstützen kann und gleichzeitig die Stärken des Menschen nutzt.“

Bei niedrigen Flügen können unvorhersehbare Gravitationskräfte beispielsweise zu einer Desorientierung des Piloten führen. Air-Guardian ist darauf ausgelegt, in solchen Szenarien die Kontrolle zu übernehmen. Wenn der Pilot von einer Flut an Bildschirminformationen überwältigt wird, kann die KI die Daten filtern und kritische Hinweise hervorheben.

Fortgeschrittene Überwachungstechniken

Air-Guardian verwendet Eye-Tracking-Technologie zur Bewertung der menschlichen Aufmerksamkeit, während Heatmaps den Fokus der KI visualisieren. Wird eine Fehlanpassung erkannt, analysiert Air-Guardian, ob die KI ein Problem identifiziert hat, das sofortige Aufmerksamkeit erfordert.

KI für sicherheitskritische Anwendungen

Wie viele Kontrollsysteme basiert Air-Guardian auf einem Deep-Reinforcement-Learning-Modell, in dem ein KI-Agent die Umgebung beobachtet und basierend auf diesen Beobachtungen Maßnahmen ergreift. Dieser Agent wird für korrekte Aktionen belohnt, was es dem neuronalen Netzwerk ermöglicht, effektive Entscheidungsrichtlinien zu entwickeln.

Was Air-Guardian auszeichnet, sind die LNNs im Kern. LNNs bieten eine höhere Transparenz, sodass Ingenieure den Entscheidungsprozess des Modells nachvollziehen können – im Gegensatz zu herkömmlichen Deep-Learning-Systemen, die oft als „Black Boxes“ gelten.

„Für sicherheitskritische Anwendungen ist das Verständnis der Funktionalität des Systems unerlässlich, weshalb Nachvollziehbarkeit notwendig ist“, betont Hasani.

Hasani forscht seit 2020 an LNNs, und ihre vorherige Arbeit an einem effizienten Drohnensteuerungssystem erhielt Anerkennung in Science Robotics. Jetzt entwickeln sie diese Technologien für reale Anwendungen weiter.

Ein weiterer entscheidender Vorteil von LNNs ist ihre Fähigkeit, kausale Zusammenhänge aus Daten zu lernen. Herkömmliche neuronale Netzwerke ziehen oft falsche oder oberflächliche Korrelationen, was zu Fehlern in der Praxis führt. Im Gegensatz dazu können LNNs mit Daten interagieren, um kontrafaktische Szenarien zu erkunden und Ursache-Wirkungs-Beziehungen zu verstehen, was ihre Robustheit erhöht.

„Um das wahre Ziel einer Aufgabe zu erfassen, muss man über bloße statistische Merkmale hinaus lernen; das Verständnis von Ursache und Wirkung ist entscheidend“, merkt Hasani an.

Kompakte und effiziente KI-Lösungen

Liquid Neural Networks zeichnen sich auch durch ihre Kompaktheit aus. Im Gegensatz zu herkömmlichen Deep-Learning-Netzwerken können LNNs komplexe Aufgaben mit deutlich weniger Recheneinheiten bewältigen. Diese Effizienz ermöglicht den Betrieb auf Geräten mit begrenzten Verarbeitungsfähigkeiten.

Hasani erklärt: „Wenn KI-Systeme skalieren, gewinnen sie an Leistung, werden jedoch zunehmend schwer auf Edge-Geräten einzusetzen.“

In früheren Studien demonstrierte das MIT-CSAIL-Team, dass ein LNN mit nur 19 Neuronen eine Aufgabe lernen konnte, die typischerweise 100.000 Neuronen in einem herkömmlichen tiefen neuronalen Netzwerk erfordert, was die Bedeutung der Kompaktheit für Edge-Computing-Anwendungen wie selbstfahrende Autos, Drohnen und Luftfahrt unterstreicht, wo eine Echtzeit-Entscheidungsfindung entscheidend ist.

Erweiterung des Anwendungsbereichs von Air-Guardian und LNNs

Hasani sieht vor, dass die Erkenntnisse aus der Entwicklung von Air-Guardian in verschiedenen Szenarien angewendet werden können, in denen KI die menschliche Zusammenarbeit unterstützt. Diese Anwendungen reichen von der Koordination von Aufgaben in spezifischer Software bis hin zu komplexeren Bereichen wie automatisierter Chirurgie und autonomem Fahren.

„Anwendungen können über verschiedene Disziplinen hinweg generalisiert werden“, betont Hasani.

LNNs könnten auch den Aufstieg autonomer Agenten fördern, insbesondere im Kontext großer Sprachmodelle. Sie könnten KI-Agenten befähigen, informierte Entscheidungen zu treffen und diese ihren menschlichen Gegenübern zu erklären, um ihre Ziele effektiv auszurichten.

„Liquid Neural Networks fungieren als universelle Signalverarbeitungssysteme“, erklärt Hasani. „Unabhängig von den Eingaben – sei es Video, Audio, Text oder Zeitreihendaten – können LNNs vielfältige Modelle erzeugen und neue Wege für prädiktives Modellieren, Autonomie und generative KI-Anwendungen eröffnen.“

Hasani vergleicht die aktuelle Entwicklung von LNNs mit dem entscheidenden Moment vor der Veröffentlichung des wegweisenden „Transformer“-Papiers von 2016, das die Grundlagen für große Sprachmodelle wie ChatGPT gelegt hat. Wir stehen nun kurz davor, das volle Potenzial von LNNs zu erschließen und den Weg für fortschrittliche KI-Systeme auf Edge-Geräten wie Smartphones und Personal Computern zu ebnen.

„Dies ist ein grundlegendes Modell für eine neue Welle von KI-Systemen“, betont Hasani. „Eine neue Innovationsära steht vor der Tür.“