{"id":2546,"date":"2021-12-08T09:17:17","date_gmt":"2021-12-08T09:17:17","guid":{"rendered":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/?p=2546"},"modified":"2024-02-07T08:35:14","modified_gmt":"2024-02-07T08:35:14","slug":"ein-neuer-ki-ansatz","status":"publish","type":"post","link":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/","title":{"rendered":"Ein neuer KI-Ansatz zur Modellierung unsicheren Wissens in der Medizin"},"content":{"rendered":"\n

Daniel Kahnemann, Nobelpreistr\u00e4ger 2002 f\u00fcr Wirtschaftswissenschaften, dokumentierte in seiner Forschungsarbeit systematische Fehler im menschlichen Denken und f\u00fchrte diese nicht auf eine Verf\u00e4lschung durch Emotionen, sondern auf die Konstruktion unserer Kognition zur\u00fcck. Interessant ist in diesem Zusammenhang die Frage, wie KI-basierte Systeme die Defizite des menschlichen Schlussfolgerns im Umgang mit statistischen oder unvollst\u00e4ndigen Daten ausgleichen k\u00f6nnen. Dies gilt insbesondere in Bereichen, in denen falsche Entscheidungen weitreichende Folgen haben – wie beispielsweise in der Medizin.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Modellierung der Anwendungsbeispiele<\/h2>\n\n\n\n

Im Rahmen meiner Abschlussarbeit in Informatik haben wir Anwendungsbeispiele f\u00fcr die Verarbeitung unsicheren Wissens aus dem biomedizinischen Bereich mit qualitativen Konditionalen<\/strong> modelliert. Mithilfe qualitativer Konditionale lassen sich Regeln der Form \u201eWenn A, dann meistens B\u201c als (B|A) kodieren. Solche Regeln dr\u00fccken einen plausiblen, aber nicht zwingend sicheren Zusammenhang zwischen A und B aus.<\/p>\n\n\n\n

Das Wissen, das wir zum Schlussfolgern verwenden, wird durch eine Wissensbasis<\/strong> repr\u00e4sentiert. Diese besteht aus Konditionalen. Beispielsweise soll die Wissensbasis Rbirds<\/sub> = { (f|b), (b|p), (\u00acf|p), (w|b) } unser Wissen \u00fcber Pinguine (p), V\u00f6gel (b), die Eigenschaft Fl\u00fcgel zu besitzen (w) sowie die F\u00e4higkeit zum Fliegen (f) verdeutlichen. Wir wissen, dass: (f|b) \u2013 V\u00f6gel fliegen, (b|p) \u2013 Pinguine V\u00f6gel sind, (\u00acf|p) \u2013 Pinguine nicht fliegen und (w|b) \u2013 V\u00f6gel Fl\u00fcgel haben. Diese Wissensbasis l\u00e4sst allerdings aus Sicht der klassischen Logik widerspr\u00fcchliche Schl\u00fcsse zu: Zum einen, dass Pinguine als V\u00f6gel fliegen k\u00f6nnen und gleichzeitig, dass sie nicht fliegen k\u00f6nnen.<\/p>\n\n\n\n

Abhilfe schaffen hier die Rangfunktionen<\/strong>.Sie erm\u00f6glichen es, verschiedene Szenarien auf Basis vorliegenden Wissens nach ihrer Plausibilit\u00e4t zu beurteilen. Zudem ist es \u2013 anders als in der klassischen Logik \u2013 m\u00f6glich, bereits gezogene Schl\u00fcsse zu revidieren. Sei es, weil gewisse Ausnahmen von den Regeln existieren, oder sich das Wissen \u00e4ndert. Jedem der Konditionale werden Strafpunkte zugewiesen, die ausdr\u00fccken, wieviel es kostet, wenn ein Szenario das Konditional verletzt. F\u00fcr unsere Wissensbasis Rbirds<\/sub> verletzt z. B. das Szenario pbfw<\/em> (Eine Welt, in der Pinguine V\u00f6gel sind, Fl\u00fcgel haben und fliegen) die zweite Regel (\u00acf|p) und ist daher unplausibler als das Szenario pb\u00acfw <\/em>(Eine Welt, in der Pinguine V\u00f6gel sind, Fl\u00fcgel haben und nicht fliegen).<\/p>\n\n\n\n

\"Schematische
Abbildung 1: <\/strong>Ein Beispiel f\u00fcr das Schlussfolgern mit qualitativer konditionaler Logik. k(w) ist eine Funktion, die einem Szenario einen Rang zuweist. Beim Berechnen des Rangs eines Szenarios werden die Strafpunkte der Regeln aufsummiert, die durch das Szenario verletzt werden. k(pf) z. B. steht f\u00fcr einen Funktionswert aller Szenarien, bei denen die Variablen p und f wahr sind. R0 <\/sub>und R1<\/sub> teilen hingegen eine aus logischer Sicht widerspr\u00fcchliche Wissensbasis in zwei nicht widerspr\u00fcchliche Teile. Erst dadurch wird revidierbares Schlie\u00dfen mathematisch m\u00f6glich.<\/em><\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Schlussfolgerungen des intelligenten Agenten<\/h2>\n\n\n\n

Unser intelligenter Agent konnte beim Schlussfolgern drei Strategien verfolgen, die auf verschiedenen mathematischen Systemen, deren Bezeichnungen historisch gewachsen sind, basieren:<\/p>\n\n\n\n

    \n
  • Beim System P <\/strong>wird \u00fcber die Menge aller f\u00fcr die Wissensbasis R zul\u00e4ssigen Rankings geschlussfolgert. Es zieht daher seine Schl\u00fcsse sehr vorsichtig.<\/li>\n\n\n\n
  • Beim System Z<\/strong> wird der Rang eines Szenarios lediglich durch den Wert der h\u00f6chsten exzeptionellen Regel beeinflusst, die durch dieses Szenario verletzt wird. Es l\u00e4sst keine Vererbung der Eigenschaften einer Oberklasse bei Unterklassen zu, die Ausnahmeeigenschaften aufweisen.<\/li>\n\n\n\n
  • Bei den allgemeinen C-Repr\u00e4sentationen<\/strong> wird der Rang eines Szenarios durch alle verletzten Regeln beeinflusst. Die minimalen C-Repr\u00e4sentationen liefern hingegen die minimalen Implausibilit\u00e4tsgrade der Szenarien, wobei drei unterschiedliche Minimalit\u00e4tsma\u00dfe (cw<\/em>, sum<\/em>, ind<\/em>) existieren. Ferner kann man entweder skeptisch<\/em>, leichtskeptisch<\/em> oder leichtgl\u00e4ubig<\/em> schlussfolgern.<\/li>\n<\/ul>\n\n\n\n

    Hierzu ein Anwendungsbeispiel: Malaria tropica<\/em><\/strong> ist eine weitverbreitete und lebensbedrohliche Krankheit in Afrika s\u00fcdlich der Sahara. Sie wird durch eine Infektion mit einem einzelligen Parasiten, Plasmodium falciparum<\/em>, verursacht. Der Malariaerreger wird durch Anopheles<\/em> M\u00fccken \u00fcbertragen. Aber nicht jeder mit P. falciparum<\/em> infizierte Mensch erkrankt an Malaria: Einige Menschen besitzen eine erbliche Form des H\u00e4moglobingens \u2013 das sog. Sichelzellengen. Zwei Kopien des defekten Gens verursachen eine Verformung der roten Blutk\u00f6rperchen und eine schwere An\u00e4mie, w\u00e4hrend eine Kopie die Funktion dieser sauerstoff-transportierenden Zellen nicht beeintr\u00e4chtigt. Auffallend ist, dass in Malariagebieten das Sichelzellengen relativ h\u00e4ufig ist. Tr\u00e4ger von nur einer Kopie haben dort einen Vorteil gegen\u00fcber denen ohne Sichelzellengen, da letztere eher an Malaria sterben. In Afrika gibt es beispielsweise Gegenden, in denen fast ein Drittel der Bev\u00f6lkerung ein ver\u00e4ndertes H\u00e4moglobingen aufweist. Die beiden wichtigsten Pr\u00e4ventionsstrategien, um eine Malariaerkrankung zu vermeiden, sind die Vermeidung von M\u00fcckenstichen und die Abt\u00f6tung von bereits eingedrungenen Malariaparasiten (Chemoprophylaxe). Da sich der Malariaerreger genetisch st\u00e4ndig wandelt, ist immer mit der Entwicklung von Resistenzen gegen die g\u00e4ngigen Medikamente zu rechnen.<\/p>\n\n\n\n

    Um den Ausgang einer Malariaerkrankung bei einem infizierten Patienten h<\/em> zu modellieren, haben wir die Signatur \u03a3 = {h, m, s, p, r} mit nachfolgender Semantik verwendet. Die Variable h<\/em> steht f\u00fcr die mit dem Malariaerreger infizierten Patienten. Die Variable m<\/em> ist wahr, wenn der infizierte Patient schwer an Malaria erkrankt. Die Variable s<\/em> dr\u00fcckt aus, dass der Patient eine Kopie des Sichelzellengens in sich tr\u00e4gt. Eine angewandte Chemoprophylaxe wird mit einem p<\/em> und eine Infektion mit einem dagegen resistenten Pathogen mit einem r<\/em> modelliert. Die Wissensbasis KBmalaria<\/sub> enthielt:<\/p>\n\n\n\n

      \n
    • (\u00acs| h) Die infizierten Patienten haben normalerweise kein Sichelzellengen.<\/li>\n\n\n\n
    • (m|\u00acs) Ein fehlendes Sichelzellengen erlaubt es normalerweise, schwer an Malaria zu erkranken.<\/li>\n\n\n\n
    • (\u00acm|s) Ein Sichelzellengen erlaubt es normalerweise nicht, schwer an Malaria zu erkranken.<\/li>\n\n\n\n
    • (\u00acm|p) Die Anwendung einer Chemoprophylaxe erlaubt es normalerweise nicht, schwer an Malaria zu erkranken.<\/li>\n\n\n\n
    • (m|pr) Die Anwendung einer Chemoprophylaxe und das Vorliegen einer Resistenz dagegen erlauben es normalerweise, schwer an Malaria zu erkranken.<\/li>\n<\/ul>\n\n\n\n
      <\/div>\n\n\n\n

      Wir haben die Wissensbasis bzw. unseren Agenten u. a. mit folgenden Fragen konfrontiert:<\/p>\n\n\n\n

        \n
      • (m|h) Erkranken die mit dem Malariaerreger infizierten Patienten normalerweise schwer an Malaria?<\/li>\n\n\n\n
      • (m|hpr) Erkrankt ein Patient, der eine Malariaprophylaxe anwendet und beim Malariaerreger eine Resistenz gegen diese Prophylaxe vorliegt, normalerweise schwer an Malaria?<\/li>\n\n\n\n
      • (m|hprs) Erkrankt ein Patient, der ein Sichelzellengen aufweist, bei der Anwendung einer Malariaprophylaxe und dem Vorliegen einer Resistenz dagegen, normalerweise schwer an Malaria?<\/li>\n<\/ul>\n\n\n\n
        <\/div>\n\n\n\n
        \"Schematische
        Abbildung 2: Antworten des KI-Agenten f\u00fcr die Wissensbasis KBmalaria<\/sub> im Vergleich zu einem menschlichen Experten. Oben die unterschiedlichen Rangfunktionen mit den Inferenzarten sk \u2013 skeptisch, wsk \u2013 leichtskeptisch, cr \u2013 leichtgl\u00e4ubig.<\/em><\/figcaption><\/figure>\n\n\n\n
        <\/div>\n\n\n\n

        Die erste Frage soll vom KI-Agenten mit einem \u201eJa\u201c beantwortet werden, da die infizierten Menschen normalerweise kein Sichelzellengen tragen und daher schwer an Malaria erkranken. Die zweite Frage soll ebenfalls mit einem \u201eJa\u201c beantwortet werden. Die letzte Frage ist am interessantesten, da hier zwischen zwei widerspr\u00fcchlichen Argumenten der Wissensbasis abgewogen werden muss: Einerseits erkranken infizierte Menschen schwer an Malaria, wenn sie eine Chemoprophylaxe anwenden und beim Malariaerreger dagegen eine Resistenz besteht. Andererseits sch\u00fctzt ein Sichelzellengen gegen einen schweren Verlauf der Krankheit. Empirisch wiegt das zweite Argument schwerer, da ein Sichelzellengen auch gegen Prophylaxe-resistente Malariaerreger sch\u00fctzt. Der Vergleich zwischen der zweiten und dritten Frage zeigt, dass einzelne Systeme des Agenten revidierbares Schlie\u00dfen<\/strong> erm\u00f6glichen: Addieren wir s<\/em> zu unserer Anfrage, so k\u00f6nnen wir m<\/em> nicht mehr ableiten.<\/p>\n\n\n\n

        <\/div>\n\n\n\n

        Fazit<\/h2>\n\n\n\n

        Wir konnten zeigen, wie biomedizinisches Wissen mithilfe der qualitativen konditionalen Logik ausgedr\u00fcckt werden kann. Hierbei stellten wir fest, dass vor allem beim skeptischen und leichtskeptischen Schlussfolgern mittels C-Repr\u00e4sentationen die Antworten des intelligenten Agenten mit den Antworten eines menschlichen Experten \u00fcbereinstimmten und damit revidierbares Schlie\u00dfen auch f\u00fcr Maschinen m\u00f6glich ist. Da die zugrundeliegenden Algorithmen zun\u00e4chst zu optimieren sind, wird sich das Potential dieses KI-Ansatzes erst zuk\u00fcnftig zeigen. Wenn gen\u00fcgend gro\u00dfe Wissensbasen algorithmisch verarbeitet werden k\u00f6nnen, ist davon auszugehen, dass ein solcher KI-Agent auch menschliche Experten sinnvoll unterst\u00fctzen kann.<\/p>\n\n\n\n

        Systeme auf Basis qualitativer Konditionale erm\u00f6glichen die Revision von Schlussfolgerungen bei sich \u00e4ndernden Wissensst\u00e4nden, was insbesondere im medizinischen Bereich von gro\u00dfer Bedeutung ist. Im Gegensatz zu den wahrscheinlichkeitsbehafteten Ergebnissen einer quantitativen Modellierung erh\u00e4lt der Anwender hier eine eindeutige Ja- bzw. Nein-Antwort auf seine Frage. Anders als bei neuronalen Netzwerken kann das Schlussfolgern eines solchen Systems zudem leichter transparent gemacht werden, da sich durch die regelbasierte Modellbildung seine Funktionsweise gut nachvollziehen l\u00e4sst.<\/p>\n\n\n\n

        <\/div>\n\n\n\n
        \n\n\n\n
        <\/div>\n\n\n\n

        Literatur<\/h2>\n\n\n\n

        1) J. Haldimann, A. Osiak, C. Beierle. Modelling and Reasoning in Biomedical Applications with Qualitative Conditional Logic<\/em>. 10.1007\/978-3-030-58285-2_24. (2020)<\/p>\n\n\n\n

        2) D. Kahneman. Thinking, fast and slow<\/em>. New York: Farrar, Straus and Giroux. (2011) 3) J. Pearl, D. Mackenzie. The Book of Why: The New Science of Cause<\/em>. Basic Books (2018)<\/p>\n\n\n\n

        3) J. Pearl, D. Mackenzie. The Book of Why: The New Science of Cause<\/em>. Basic Books (2018)<\/p>\n","protected":false},"excerpt":{"rendered":"

        Gibt es M\u00f6glichkeiten, wie KI-basierte Systeme die Defizite des menschlichen Schlussfolgerns im Umgang mit statistischen oder unvollst\u00e4ndigen Daten ausgleichen k\u00f6nnen? Diese Frage ist insbesondere in Bereichen interessant, in denen falsche Entscheidungen weitreichende Folgen haben wie beispielsweise in der Medizin. Dieser Beitrag versucht, sich dieser Frage anhand eines Versuchs zu n\u00e4hern.<\/p>\n","protected":false},"author":109,"featured_media":2553,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"advgb_blocks_editor_width":"","advgb_blocks_columns_visual_guide":"","footnotes":""},"categories":[655],"tags":[111,113,598,599,600,601,684,685],"topics":[769],"class_list":["post-2546","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-health-solutions","tag-kuenstliche-intelligenz","tag-ki","tag-qualitative-konditionale","tag-schlussfolgern","tag-unvollstaendige-daten","tag-statistische-daten","tag-ki-in-der-medizin","tag-regelbasierte-modellbildung","topics-health-solutions"],"acf":[],"yoast_head":"\nEin neuer KI-Ansatz zur Modellierung ... - ZEISS Digital Innovation Blog<\/title>\n<meta name=\"description\" content=\"Wie k\u00f6nnen KI-basierte Systeme im Umgang mit statistischen oder unvollst\u00e4ndigen Daten genutzt werden und beim Schlussfolgern unterst\u00fctzen?\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Ein neuer KI-Ansatz zur Modellierung unsicheren Wissens in der Medizin\" \/>\n<meta property=\"og:description\" content=\"Wie k\u00f6nnen KI-basierte Systeme im Umgang mit statistischen oder unvollst\u00e4ndigen Daten genutzt werden und beim Schlussfolgern unterst\u00fctzen?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/\" \/>\n<meta property=\"og:site_name\" content=\"Digital Innovation Blog\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/ZEISSDigitalInnovation\/\" \/>\n<meta property=\"article:published_time\" content=\"2021-12-08T09:17:17+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-02-07T08:35:14+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/12\/202108_KI-Ansatz_1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"834\" \/>\n\t<meta property=\"og:image:height\" content=\"434\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Anna Osiak\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:title\" content=\"Ein neuer KI-Ansatz zur Modellierung unsicheren Wissens in der Medizin\" \/>\n<meta name=\"twitter:description\" content=\"Wie k\u00f6nnen KI-basierte Systeme im Umgang mit statistischen oder unvollst\u00e4ndigen Daten genutzt werden und beim Schlussfolgern unterst\u00fctzen?\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/12\/202108_KI-Ansatz_1.png\" \/>\n<meta name=\"twitter:creator\" content=\"@ZEISS_di\" \/>\n<meta name=\"twitter:site\" content=\"@ZEISS_di\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Anna Osiak\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"8\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/\",\"url\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/\",\"name\":\"Ein neuer KI-Ansatz zur Modellierung ... - ZEISS Digital Innovation Blog\",\"isPartOf\":{\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/08\/202108_KI-Ansatz_1.png\",\"datePublished\":\"2021-12-08T09:17:17+00:00\",\"dateModified\":\"2024-02-07T08:35:14+00:00\",\"author\":{\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#\/schema\/person\/3c06dadbdf28a0a93ef7d00d900918b9\"},\"description\":\"Wie k\u00f6nnen KI-basierte Systeme im Umgang mit statistischen oder unvollst\u00e4ndigen Daten genutzt werden und beim Schlussfolgern unterst\u00fctzen?\",\"breadcrumb\":{\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#primaryimage\",\"url\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/08\/202108_KI-Ansatz_1.png\",\"contentUrl\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/08\/202108_KI-Ansatz_1.png\",\"width\":834,\"height\":434},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Ein neuer KI-Ansatz zur Modellierung unsicheren Wissens in der Medizin\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#website\",\"url\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/\",\"name\":\"Digital Innovation Blog\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#\/schema\/person\/3c06dadbdf28a0a93ef7d00d900918b9\",\"name\":\"Anna Osiak\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/02\/osiak_anna-150x150.jpg\",\"contentUrl\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/02\/osiak_anna-150x150.jpg\",\"caption\":\"Anna Osiak\"},\"description\":\"Anna Osiak arbeitet seit 2019 als Softwareentwicklerin bei der ZEISS Digital Innovation in Berlin. Ihr Schwerpunkt liegt vor allem in der .NET-Entwicklung. Au\u00dferdem interessiert sie sich daf\u00fcr, wie KI uns bei komplexeren Aufgaben unterst\u00fctzen kann und bewundert Bakterien als Technologieentwickler. Sie hat Molekularbiologie und Informatik studiert.\",\"url\":\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/author\/annaosiak\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Ein neuer KI-Ansatz zur Modellierung ... - ZEISS Digital Innovation Blog","description":"Wie k\u00f6nnen KI-basierte Systeme im Umgang mit statistischen oder unvollst\u00e4ndigen Daten genutzt werden und beim Schlussfolgern unterst\u00fctzen?","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/","og_locale":"de_DE","og_type":"article","og_title":"Ein neuer KI-Ansatz zur Modellierung unsicheren Wissens in der Medizin","og_description":"Wie k\u00f6nnen KI-basierte Systeme im Umgang mit statistischen oder unvollst\u00e4ndigen Daten genutzt werden und beim Schlussfolgern unterst\u00fctzen?","og_url":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/","og_site_name":"Digital Innovation Blog","article_publisher":"https:\/\/www.facebook.com\/ZEISSDigitalInnovation\/","article_published_time":"2021-12-08T09:17:17+00:00","article_modified_time":"2024-02-07T08:35:14+00:00","og_image":[{"width":834,"height":434,"url":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/12\/202108_KI-Ansatz_1.png","type":"image\/png"}],"author":"Anna Osiak","twitter_card":"summary_large_image","twitter_title":"Ein neuer KI-Ansatz zur Modellierung unsicheren Wissens in der Medizin","twitter_description":"Wie k\u00f6nnen KI-basierte Systeme im Umgang mit statistischen oder unvollst\u00e4ndigen Daten genutzt werden und beim Schlussfolgern unterst\u00fctzen?","twitter_image":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/12\/202108_KI-Ansatz_1.png","twitter_creator":"@ZEISS_di","twitter_site":"@ZEISS_di","twitter_misc":{"Verfasst von":"Anna Osiak","Gesch\u00e4tzte Lesezeit":"8\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/","url":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/","name":"Ein neuer KI-Ansatz zur Modellierung ... - ZEISS Digital Innovation Blog","isPartOf":{"@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#primaryimage"},"image":{"@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#primaryimage"},"thumbnailUrl":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/08\/202108_KI-Ansatz_1.png","datePublished":"2021-12-08T09:17:17+00:00","dateModified":"2024-02-07T08:35:14+00:00","author":{"@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#\/schema\/person\/3c06dadbdf28a0a93ef7d00d900918b9"},"description":"Wie k\u00f6nnen KI-basierte Systeme im Umgang mit statistischen oder unvollst\u00e4ndigen Daten genutzt werden und beim Schlussfolgern unterst\u00fctzen?","breadcrumb":{"@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#primaryimage","url":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/08\/202108_KI-Ansatz_1.png","contentUrl":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/08\/202108_KI-Ansatz_1.png","width":834,"height":434},{"@type":"BreadcrumbList","@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/ein-neuer-ki-ansatz\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/"},{"@type":"ListItem","position":2,"name":"Ein neuer KI-Ansatz zur Modellierung unsicheren Wissens in der Medizin"}]},{"@type":"WebSite","@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#website","url":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/","name":"Digital Innovation Blog","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#\/schema\/person\/3c06dadbdf28a0a93ef7d00d900918b9","name":"Anna Osiak","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/#\/schema\/person\/image\/","url":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/02\/osiak_anna-150x150.jpg","contentUrl":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/02\/osiak_anna-150x150.jpg","caption":"Anna Osiak"},"description":"Anna Osiak arbeitet seit 2019 als Softwareentwicklerin bei der ZEISS Digital Innovation in Berlin. Ihr Schwerpunkt liegt vor allem in der .NET-Entwicklung. Au\u00dferdem interessiert sie sich daf\u00fcr, wie KI uns bei komplexeren Aufgaben unterst\u00fctzen kann und bewundert Bakterien als Technologieentwickler. Sie hat Molekularbiologie und Informatik studiert.","url":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/author\/annaosiak\/"}]}},"author_meta":{"display_name":"Anna Osiak","author_link":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/author\/annaosiak\/"},"featured_img":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-content\/uploads\/sites\/2\/2021\/08\/202108_KI-Ansatz_1-600x312.png","coauthors":[],"tax_additional":{"categories":{"linked":["<a href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/category\/health-solutions\/\" class=\"advgb-post-tax-term\">Health Solutions<\/a>"],"unlinked":["<span class=\"advgb-post-tax-term\">Health Solutions<\/span>"]},"tags":{"linked":["<a href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/category\/health-solutions\/\" class=\"advgb-post-tax-term\">K\u00fcnstliche Intelligenz<\/a>","<a href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/category\/health-solutions\/\" class=\"advgb-post-tax-term\">KI<\/a>","<a href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/category\/health-solutions\/\" class=\"advgb-post-tax-term\">qualitative Konditionale<\/a>","<a href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/category\/health-solutions\/\" class=\"advgb-post-tax-term\">Schlussfolgern<\/a>","<a href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/category\/health-solutions\/\" class=\"advgb-post-tax-term\">unvollst\u00e4ndige Daten<\/a>","<a href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/category\/health-solutions\/\" class=\"advgb-post-tax-term\">statistische Daten<\/a>","<a href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/category\/health-solutions\/\" class=\"advgb-post-tax-term\">KI in der Medizin<\/a>","<a href=\"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/category\/health-solutions\/\" class=\"advgb-post-tax-term\">regelbasierte Modellbildung<\/a>"],"unlinked":["<span class=\"advgb-post-tax-term\">K\u00fcnstliche Intelligenz<\/span>","<span class=\"advgb-post-tax-term\">KI<\/span>","<span class=\"advgb-post-tax-term\">qualitative Konditionale<\/span>","<span class=\"advgb-post-tax-term\">Schlussfolgern<\/span>","<span class=\"advgb-post-tax-term\">unvollst\u00e4ndige Daten<\/span>","<span class=\"advgb-post-tax-term\">statistische Daten<\/span>","<span class=\"advgb-post-tax-term\">KI in der Medizin<\/span>","<span class=\"advgb-post-tax-term\">regelbasierte Modellbildung<\/span>"]}},"comment_count":"0","relative_dates":{"created":"Posted 4\u00a0Jahren ago","modified":"Updated 2\u00a0Jahren ago"},"absolute_dates":{"created":"Posted on Dezember 8, 2021","modified":"Updated on Februar 7, 2024"},"absolute_dates_time":{"created":"Posted on Dezember 8, 2021 9:17 a.m.","modified":"Updated on Februar 7, 2024 8:35 a.m."},"featured_img_caption":"","series_order":"","_links":{"self":[{"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/posts\/2546","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/users\/109"}],"replies":[{"embeddable":true,"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/comments?post=2546"}],"version-history":[{"count":10,"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/posts\/2546\/revisions"}],"predecessor-version":[{"id":4013,"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/posts\/2546\/revisions\/4013"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/media\/2553"}],"wp:attachment":[{"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/media?parent=2546"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/categories?post=2546"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/tags?post=2546"},{"taxonomy":"topics","embeddable":true,"href":"https:\/\/blogs.zeiss.com\/digital-innovation\/de\/wp-json\/wp\/v2\/topics?post=2546"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}