Post by KIT Energy Center

#Energiewende: Wie viel Vertrauen verdient eine #KI-#Prognose, wenn niemand nachvollziehen kann, wie sie zustande kommt? Gerade in Energiesystemen reicht hohe Vorhersagegenauigkeit allein nicht aus. Netzbetreiber, Marktakteure und politische Entscheidungsträger müssen #verstehen können, #warum ein Modell zu einer bestimmten Prognose gelangt. Ein Forschungsteam des Karlsruher Institut für Technologie (KIT) hat dafür mit #SHAPformer einen neuen Ansatz entwickelt, der die Leistungsfähigkeit moderner Transformer-Modelle mit echter Nachvollziehbarkeit verbindet. Besonders bemerkenswert: Die Methode liefert exakte Erklärungen in weniger als einer Sekunde und ist damit um Größenordnungen schneller als etablierte SHAP-Verfahren. Gleichzeitig bleibt die Prognosequalität auf einem wettbewerbsfähigen Niveau. Anwendungsbeispiele aus der Last- und Strompreisprognose zeigen, welche Einflussfaktoren die Modelle tatsächlich nutzen und wie sich deren Bedeutung im Zeitverlauf verändert. Die Veröffentlichung in Nature Communications unterstreicht die Relevanz erklärbarer KI für zukünftige Energiesysteme – insbesondere dort, wo Transparenz, Vertrauen und menschliche Entscheidungsunterstützung entscheidend sind. Originalpublikation: Matthias Hertel , Sebastian Pütz, Ralf Mikut, Veit Hagenmeyer & Benjamin Schäfer: Explainable time-series forecasting with sampling-free SHAP for Transformers. Nature Communications, 2026. DOI 🔗 https://lnkd.in/d-viJ4d5 🔗 KIT-Presseinformation zum Forschungsergebnis: „Erklärbare KI für Energiesysteme“ https://lnkd.in/dbfExtgz