Der Dolmetscher: Thomas Seidl über „Machine Learning“

Vergrößern

Es gibt wissenschaftliche Begriffe, die es in die Alltagswelt geschafft haben. LMU-Wissenschaftler erklären an dieser Stelle solche Ausdrücke – nicht nur mit einer reinen Definition, sondern auch mit einer kurzen Geschichte ihrer Popularität.

Thomas Seidl: „Formal lässt sich Lernen als mathematische Funktion verstehen: Situationen, Beobachtungen, Frage- und Aufgabenstellungen aus der realen Welt – das sind die Eingaben – lassen sich auf geeignete Antworten, Entscheidungen und Handlungsoptionen – als Ausgaben – abbilden. Doch wie lernen Maschinen? In den Anfängen fütterte man Rechner vor allem in der Sprachverarbeitung mit Regeln, doch lebendige Sprache lebt von einer Fülle von Ausnahmen – zu komplex, um sie in einen noch so ausgefeilten Regelkanon zu gießen.

Neuere Systeme lernen die Funktionen selbsttätig aus sorgfältig ausgewählten Beispielen, in der Sprachverarbeitung etwa aus einer Fülle von Texten als Trainingsbeispielen. Gängig sind heute Deep-Learning-Verfahren, die auf der Basis von künstlichen neuronalen Netzen arbeiten. Dass das gut funktioniert – damit beginnt die Erfolgsgeschichte des Maschinellen Lernens. Mit Chatbots beispielsweise lassen sich immer mehr Dienstleistungen teilautomatisieren. Machine Learning bedeutet also, dass Rechner Erfahrungen sammeln, systematisieren und daraus Regeln ableiten. Das Vorbild ist das Gehirn. Entscheidend für den Erfolg aber ist das Lernfutter. Was gebe ich dem Netz? Welche Trainingsdaten, in welcher Reihenfolge? Da hat sich das Engineering schon deutlich verschoben – von der Gestaltung der Funktionen hin zur Gestaltung der Eingaben. Zentral für das Machine Learning ist dabei auch das Prinzip des selbstverstärkenden Lernens nach dem Muster von Versuch und Irrtum (Reinforcement Learning), das Systemverhalten also an Rückmeldungen zu Erfolgen und Misserfolgen anzupassen.

Algorithmen erklärbar machen

Doch bleibt noch nachvollziehbar, was selbstlernende Systeme machen? Das abzusichern, daran arbeiten unter dem Stichwort Explainable AI gerade viele Forscher. Es ist schließlich eine entscheidende Frage, wenn man an Anwendungen wie die Maschinenwartung oder gar die Therapieplanung in der Medizin denkt.

Bislang gab es noch keine Technologie, die sämtliche Bereiche von Produktion und Dienstleistung so umfassend beeinflusst wie Machine Learning. Es gibt keinen Bereich, in dem nicht überlegt wird, wie man die Datenverarbeitung auf diese Weise automatisieren kann. Das Potenzial möglicher Anwendungen ist noch lange nicht ausgeschöpft.

An künstliche Intelligenz knüpfen sich große Fortschrittshoffnungen. Und mit dieser Welle ist auch die technologische Basis, das Machine Learning, hochgespült worden und plötzlich populär wie nie zuvor. Diskussionen um KI gibt es schon seit Jahrzehnten, doch regelmäßig folgte auf eine Blütezeit der nächste KI-Winter, die Erwartungen waren zu groß, als dass die Forschung sie hätte erfüllen können. Im Moment aber sind wir, glaube ich, in einer Phase, in der technisch schon viel funktioniert. Natürlich gibt es eine Menge offener Fragen. Sie betreffen heute jedoch nicht so sehr mehr die grundsätzliche Funktionalität, sondern vor allem die Ausgestaltung in einer demokratischen Gesellschaft.“

Protokoll: math

Vergrößern

Prof. Dr. Thomas Seidl ist Inhaber des Lehrstuhls für Datenbanksysteme und Data Mining an der LMU und einer der Direktoren des Munich Center for Machine Learning (MCML).