Entwicklung eines Knowledge Graphs zur Analyse und Visualisierung von Metadaten in der Sicherheitsforschung für automatisierte und autonome Fahrsysteme

Kurzfassung

In der Sicherheitsforschung für automatisierte und autonome Fahrsysteme spielt die Identifizierung von Unfallrisiken eine wichtige Rolle. In der Anwendung von künstlicher Intelligenz mittels Large Language Modellen ist das Thema der Knowledge Graphen und Ontologien von hoher Relevanz. In dieser Arbeit erfolgt ein Einführung in die genannten Themenbereiche. Im praktischen Teil wurde ein Knowledge Graph entwickelt, der die Automotive Urban Traffic Ontology (A.U.T.O.) von Westhofen et al. [Wes+22] mit natürlichsprachlichen Unfallberichten verknüpft, um Zusammenhänge zwischen sicherheitsrelevanten Faktoren, genannt 'Kritikalitätsphänomenen' (CP), und realen Unfällen zu identifizieren. Zur Extraktion der beteiligten Entitäten und für das Identifizieren der Kritikalitätsphänomene in den Unfallbeschreibungen wurde ein Large Language Model (LLM) eingesetzt. Dabei wurde dem LLM die Ontologie als Wissensbasis übermittelt und ein Few-Shot-Learning Ansatz genutzt, um das Modell anhand konkreter Beispiele zu trainieren und die Ausgabe im gewünschten JSON-Format zu generieren. Die erkannten Entitäten, Kritikalitätsphänomene und deren Zusammenhänge wurden in der Graphdatenbank Neo4j gespeichert und beispielhaft analysiert. Die Ergebnisse der Arbeit zeigen, dass die LLM-gestützte Analyse deutliche Zeit- und Kosteneinsparungen gegenüber einer manuellen Analyse ermöglicht. Jedoch entspricht die Qualität noch nicht dem gewünschten Standard. Es besteht Optimierungspotenzial insbesondere in Hinsicht auf die Vollständigkeit der erzielten Ergebnisse. Die entwickelte Methode könnte nach erfolgter Anpassung und Optimierung künftig dazu beitragen, dass vielfältige, realitätsnahe Szenarien für die Validierung von Fahrsystemen generiert werden können, um die Sicherheit automatisierter und autonomer Fahrzeuge im Straßenverkehr weiter zu verbessern.