Direkt zum Inhalt
Diese Seite wird bereitgestellt von Science Notes

Präzise Unsicherheit: Gute Modelle statt vieler Daten: Maschinelles Lernen

Im Maschinenlernen haben Datenkraken aus dem Silicon Valley die Nase vorn? Nicht unbedingt. Philipp Henning sagt: »Am besten lernt nicht, wer die meisten Daten hat.«
Präzise Unsicherheit: Gute Modelle statt vieler Daten

Science Notes

Veröffentlicht am: 22.03.2019

Laufzeit: 0:15:58

Sprache: Deutsch

Bei der bundesweiten Veranstaltungsreihe Science Notes berichten herausragende Wissenschaftler:innen in je 15 Minuten von ihrer aktuellen Forschung – verständlich und anschaulich.

Das Maschinelle Lernen ist nicht vor vier Jahren irgendwo im Silicon Valley vom Himmel gefallen. Das sagt zumindest Philipp Hennig, Professor für die Methoden des Maschinellen Lernens an der Universität Tübingen. Jede lernende Maschine basiert auf Algorithmen, auf definierten Rechenschritten also, die Lösungen von Problemen ganz praktisch angehen und mit Hilfe von Daten ein Modell immer weiter verbessern. Maschinelles Lernen lasse sich im Grunde bis ins 13. Jahrhundert zurückverfolgen, zu ganz grundlegenden Problemen der angewandten Mathematik.

Die Algorithmen, die heute benutzt werden, unterscheiden sich nicht grundlegend von alten Tricks der Mathematik. Sie sind nur viel größer und komplexer  – und damit unübersichtlicher. Programmierer erstellen und durchsteigen heute nur selten ihr gesamtes Werk, erklärt Hennig bei den Science Notes zum Thema »Künstliche Intelligenz«. Sie arbeiten mit vielen einzelnen Algorithmus-Schnipseln, die sie oft aus dem Internet herunterladen. Das Produkt ist nicht selten konfus  – und wenig optimal für ein spezielles Problem. »Lernende Maschinen sind wie ein Haufen Dreck, in dem man herumstochern muss. Irgendwann funktionieren sie dann, und keiner weiß so richtig, warum«  – dieses gängige Klischee über Maschinenlernen zitiert Hennig genüsslich. Und er erklärt, wie seine Arbeitsgruppe diesen Haufen aufräumt und sortiert. Denn über die Qualität eines lernenden Systems entscheiden nicht (nur) die Daten, sagt Hennig im Video: »Am besten lernt nicht, wer die meisten Daten hat. Sondern der, der sie am besten zu nutzen weiß.«

Damit will Philipp Hennig auch die Angst vor der Dominanz der großen Datenkraken aus dem Silicon Valley oder etwa aus China lindern: Denn die Ingenieure und Tüftler hierzulande hätten seit Jahrzehnten bewiesen, dass man mit Hirnschmalz spezifische Probleme lösen und später in einer ganz bestimmten Nische brillieren kann  – mit Qualitätsprodukten. So ist Hennigs Arbeitsgruppe etwa an einem Forschungsprojekt beteiligt, das die Strahlentherapie von Krebspatient:innen optimiert.

Philipp Hennig ist studierter Physiker, wechselte jedoch bald in Richtung maschinelles Lernen. Nach seiner Promotion an der britischen University of Cambridge forschte er am Max-Planck-Institut (MPI) für intelligente Systeme in Tübingen. Seit 2018 ist er Professor für die Methoden des Maschinellen Lernens an der Universität Tübingen und leitet weiterhin eine Arbeitsgruppe am MPI.

Neben Philipp Hennig geben bei den Science Notes zum Thema »Künstliche Intelligenz« vier weitere Forscherinnen und Forscher Einblicke in ihre Arbeit: Sie sprechen unter anderem darüber, wie Maschinen die Welt sehen oder wie die Selbstorganisation des (ganz unkünstlich intelligenten) menschlichen Gehirns Computerentwicklern als Vorbild dient.

Lesermeinung

Wenn Sie inhaltliche Anmerkungen zu diesem Artikel haben, können Sie die Redaktion per E-Mail informieren. Wir lesen Ihre Zuschrift, bitten jedoch um Verständnis, dass wir nicht jede beantworten können.