Wissen aus Erfahrung - das hört sich nach spezifisch menschlichen Fähigkeiten an. Doch auch Maschinen sollen und können lernen. Sie müssen nicht mehr für alles explizit programmiert werden, sondern können anhand von Daten und Beispielen trainiert werden. Je mehr sie auf diese Weise geübt haben, desto sicherer können sie in Daten Muster und Gesetzmäßigkeiten erkennen; sie können Daten intelligent verknüpfen, Zusammenhänge ausmachen, Rückschlüsse ziehen und Vorhersagen treffen. Und dort, wo maschinelle Lern-Algorithmen in komplexen und dynamischen Systemen selbst Handlungsanweisungen aus Beobachtungsdaten generieren, markiert dies den Übergang zur Künstlichen Intelligenz. Längst finden sich Ansätze des Maschinellen Lernens in Alltagsanwendungen, bei Sprachassistenzsystemen, der Gesichtserkennung, der Bildverarbeitung. Sie sollen die Basis für Diagnosesysteme in der Medizin bilden sowie für selbststeuernde Systeme in Logistik oder industrieller Fertigung. Das Potenzial solcher Anwendungen gilt als gewaltig. Nicht umsonst ist Künstliche Intelligenz (KI) das Schlagwort der Stunde.
Jetzt haben sich Wissenschaftlerinnen und Wissenschaftler von LMU und Technischer Universität München (TUM) zum neuen Munich Center for Machine Learning (MCML) formiert. Das Kompetenzzentrum versammelt 15 Teams aus den Fachgebieten Data Science, Informatik und Statistik. "Das Ziel ist nicht nur, die Grundlagenforschung im Bereich des Maschinellen Lernens voranzutreiben, sondern das Potenzial auch Anwendern aus Wissenschaft und Wirtschaft zu eröffnen", sagt Prof. Thomas Seidl, Inhaber des Lehrstuhls für Datenbanksysteme und Data Mining an der LMU und Koordinator des MCML. So stehen auch Fragen praxisnaher Forschung und Methodenentwicklung im Fokus. Mithilfe des Verbundes, der auch andere Wissenschaftseinrichtungen und Unternehmen einbezieht, sollen innovative Konzepte des Maschinellen Lernens den Weg in die Wirtschaft finden. Das Bundesministerium für Bildung und Forschung fördert das MCML als eines von bundesweit vier Kompetenzzentren für Maschinelles Lernen über vier Jahre mit insgesamt 7,5 Millionen Euro. Projektträger der BMBF-Initiative ist das Deutsche Zentrum für Luft- und Raumfahrt (DLR).
Das neue Kompetenzzentrum fokussiert auf eine Reihe von Anwendungsgebieten, in denen sich nach Ansicht der MCML-Wissenschaftler beispielhaft neue Konzepte des Maschinellen Lernens besonders nutzbringend erarbeiten, untersuchen und evaluieren lassen: "Industrie 4.0" und Mobilität sowie Gesundheitswesen und Lebenswissenschaften. Dabei entwickeln sie Methoden, um unterschiedliche charakteristische Datentypen wie Graphen, Netzwerke sowie Zeitreihen und Sensordaten aufzubereiten. "Die Palette gesellschaftlich relevanter Anwendungen für neue Methoden des maschinellen Lernens ist riesig", sagt Prof. Daniel Cremers, Inhaber des Lehrstuhls für Bildverarbeitung und Künstliche Intelligenz der TUM und Co-Koordinator des MCML.
"Automatisierte Modellierung, offene Software und Erklärbarkeit sind Schlüsseleigenschaften für den erfolgreichen Transfer von Machine-Learning-Methoden in die Praxis. Dazu braucht Deutschland aber auch die Sicherstellung einer grundlegenden, kompetenten Ausbildung in Statistik, Datenanalyse und Algorithmik. Das MCML strebt genau diese Ziele an", sagt Bernd Bischl, Prof. für Computationale Statistik an der LMU, ebenfalls Co-Koordinator des MCML. Deswegen setzen die beteiligten Wissenschaftler nicht nur darauf, die neu erarbeiteten Methoden in die Anwendungswissenschaften und in unternehmerische Prozesse einzuspeisen, sondern auch auf die Ausbildung von Studenten an Fragestellungen aus der Praxis sowie auf ein ausgefeiltes Weiterbildungskonzept, das sich an Praktiker aus den Unternehmen richtet.
MEDICA.de; Quelle: Ludwig-Maximilians-Universität München
