TU Berlin

TUB-newsportalEine industrielle Revolution, die jeden betrifft

Page Content

to Navigation

There is no English translation for this web page.

Forschung

Eine industrielle Revolution, die jeden betrifft

Klaus-Robert Müller erklärt, wo überall maschinelles Lernen eine Rolle spielt

Lupe

Professor Müller, Sie gelten weltweit als einer der Wegbereiter des maschinellen Lernens. Ihre Forschungsprojekte reichen von der Medizin über die Elektrotechnik bis zur Automobilindustrie. Gibt es überhaupt einen Bereich, der zukünftig nicht vom maschinellen Lernen geprägt sein wird?
Maschinelles Lernen wird nahezu jede Industrie und jeden Lebensbereich betreffen. Wir werden natürlich weiter zum Bäcker und zum Friseur gehen – aber schon wenn Sie die Produktion in Großbäckereien betrachten, sehen Sie maschinelles Lernen im Einsatz. Es gibt nicht wenige Menschen in der Branche, die von einer neuen industriellen Revolution sprechen – multipliziert mit 3000, was die Auswirkung und vor allem die Geschwindigkeit betrifft. Der Treibstoff dieser Revolution ist das maschinelle Lernen.

Bei der letzten industriellen Revolution gab es nicht nur Gewinner. Ist die deutsche Industrie auf diese industrielle Revolution überhaupt vorbereitet?
Da mache ich mir durchaus etwas Sorgen. Die deutsche Industrie ist eher spät auf diesen Zug aufgesprungen. Die Bereitschaft, neue Technologien aufzunehmen, ist in Ländern wie den USA, Japan oder Korea viel stärker verbreitet. Ich komme gerade aus Kalifornien, wenn Sie sehen, wie sich da die Elektromobilität verbreitet – das ist unglaublich. Mit der gleichen Geschwindigkeit wird sich Selfdriving – also das selbst fahrende Auto – verbreiten, das ist gar nicht aufzuhalten. Und wenn das so kommt, bin ich nicht sicher, ob die deutsche Automobilindustrie in aller Konsequenz schon darauf vorbereitet ist – ich weiß, es wird darüber intensiv nachgedacht. Aber es muss jetzt hier gehandelt werden, in einer Qualität und einem Ausmaß, die dem Problem wirklich gerecht werden.

Wie schätzen Sie die Rolle der deutschen Wissenschaft bei diesem Thema ein?
Nur ein Beispiel dafür, wie die Bedeutung des Themas in anderen Ländern angekommen ist: An der ETH in Zürich hören fast alle Studierenden mindestens eine Grundvorlesung zum Thema maschinelles Lernen – egal welche Fachrichtung sie ansonsten studieren, diese Vorlesungen haben 600 und mehr Hörer. So weit sind wir hier noch nicht … Was das Funding betrifft, kann ich mich nicht beklagen – an den meisten amerikanischen Universitäten müsste ich die Hälfte meiner Zeit damit verbringen, Anträge zu schreiben. Da habe ich es hier besser und wir schaffen auch immer wieder Innovationen. Auf der anderen Seite ist es aber so, dass andere Länder Themen oft deutlich schneller und viel effektiver bündeln, als wir es in Deutschland tun. Wären wir an einer großen amerikanischen Uni gäbe es mindestens zwanzig Professoren für maschinelles Lernen. Da wird dann eben mal schnell ein neues riesiges Forschungszentrum aus dem Boden gestampft, wenn ein Thema als wichtig erkannt wurde. Irgendwann sind Innovationen nämlich auch eine Frage der kritischen Masse – mit wie vielen anderen Wissenschaftlern kann ich mich über mein Fach austauschen, zu wieviel verschiedenen Professoren kann ich meine Studierenden schicken … Diese mangelnde Fokussierung beklagen natürlich mit dem gleichen Recht zum Beispiel auch meine Kollegen von Robotik, Telekommunikation, etc. Da ist die Wissenschaft in Deutschland einfach anders strukturiert.

Wird die menschliche Intelligenz in Zukunft von Maschinen ersetzt?
Maschinelles Lernen ersetzt den Menschen nicht. Ein Beispiel aus der Medizin: Es gibt pro Patient immer mehr multimodale Daten. Bildgebende Verfahren, molekulare Daten, Patientenakten etc. Ich arbeite eng mit der Krebsforschung in der Charité zusammen. So gibt es für verschiedene Krebsarten unterschiedliche Therapien und man hat versucht einzelne Therapien auch auf andere Krebsarten anzuwenden. Im Ergebnis hat das in einigen Fällen gut funktioniert und in anderen gar nicht. Aber man weiß nicht, warum. Zum Beispiel mit Hilfe des maschinellen Lernens wollen wir versuchen, aus der Summe all dieser verschiedenen Daten und Informationen Muster oder Zusammenhänge zu erkennen, die die Frage beantworten: Warum wirkt eine Therapie bei dem einen Patienten und bei dem anderen Patienten nicht? Da ist das maschinelle Lernen ein exploratives Tool, das helfen könnte, Entscheidungen statistisch abzusichern. Die einzelne Diagnose und Therapie muss auch weiterhin von einem Arzt verantwortet werden.

Was ist maschinelles Lernen?

Lupe

Grob vereinfacht handelt es sich um ein Computerprogramm (mathematische Algorithmen), das in Abhängigkeit von einer bestimmten Aufgabe durch automatisierte Wiederholungen aus Daten lernt (also von seinen Erfahrungen lernt). Diese Erfahrungen werden in einem immer besser werdenden statistischen Schätzer inkorporiert und damit die Aufgabe immer besser gelöst.

Noch stärker vereinfacht: Übung macht den Meister, in dem Fall auch bei Computerprogrammen.
Im Prinzip gibt es zwei verschiedene Formen maschinellen Lernens: das unüberwachte (unsupervised) und das überwachte (supervised) maschinelle Lernen. Bei der unüberwachten Form errechnen mathematische Algorithmen aus einer Fülle von Daten Muster und Strukturen, sogenannte Cluster, und bilden Kategorien. Das können Kundengruppen oder Zellgruppen oder Pflanzenarten sein.
Bei der überwachten Form arbeitet man mit Daten, deren Zieleigenschaften man schon kennt, und möchte aufgrund der bekannten Eigenschaften Vorhersagen für neue Eingaben treffen, also Prädiktionen, Klassifizierungen oder auch Rankings durchführen.

Künstliche Intelligenz im Dienst der Menschen

Lupe

Es ist nicht so, als ob Prof. Dr. Klaus-Robert Müller sich nicht bemüht, seine Forschung verständlich zu machen. Das tut er: Immer wieder formuliert er seine Sätze neu, denkt nach, verwirft und beginnt einen anderen Satz – nur: So richtig versteht man einfach nicht, woran er forscht und was genau seine Arbeit ausmacht. Darüber gibt er sich auch keinerlei Illusionen hin: „Noch vor zehn Jahren habe ich immer wieder lange Interviews geführt und versucht, den Journalisten zu erklären, was wir tun – gebracht hat es nie etwas“, so der 52-jährige Professor für maschinelles Lernen an der Fakultät IV Elektrotechnik und Informatik der TU Berlin. „Ich habe auch immer wieder Studierende, die – angelockt von Schlagwörtern wie ,künstliche Intelligenz‘ – meine Vorlesung enttäuscht wieder verlassen, wenn ich darauf hinweise, dass künstliche Intelligenz oder maschinelles Lernen vor allem Mathematik, sehr viel Mathematik bedeutet, die nur sehr wenige Menschen wirklich verstehen.“

Warum es trotzdem lohnt, sich mit dem Thema „maschinelles Lernen“ zu beschäftigen? Die Anwendungen des maschinellen Lernens sind sehr viel einfacher zu verstehen und sie betreffen über kurz oder lang jeden Einzelnen von uns im Alltag: Die Spracherkennung der Smartphones, moderne Navigationsgeräte, industrielle Fertigung, die Warnung der Bank bei verdächtigen Überweisungen, die Online- Werbung von Amazon, Facebook, Google und Co. – all diese Dinge beruhen auf maschinellem Lernen. „Wenn ich heute online Fachliteratur kaufe, wird mir beim nächsten Besuch der Seite weitere Fachliteratur zu dem Thema angeboten. In Zukunft aber wird maschinelles Lernen es ermöglichen, dass diese Dienste vorausberechnen, ob ich gerade als Wissenschaftler oder als Familienvater unterwegs bin – also eher an Fachliteratur oder einem Disney-Film interessiert bin –, und mir nur noch entsprechend passende Angebote machen“, so Klaus-Robert Müller.

Katharina Jung, "TU intern" 20. Januar 2017

Navigation

Quick Access

Schnellnavigation zur Seite über Nummerneingabe