Maschinelles und Tiefes Lernen: Der Motor für “KI made in Germany”

Whitepaper AG 1

Die größten Fortschritte im Bereich der Künstlichen Intelligenz (KI) basieren aktuell auf Methoden des Maschinellen Lernens. Um die Innovationskraft Deutschlands zu erhalten, muss die Forschung in diesem Feld ausgebaut und der Transfer in die Wirtschaft verstärkt werden, fordern die Plattform-Mitglieder Kristian Kersting und Volker Tresp. In einem Whitepaper, das sie heute auf der Jahreskonferenz der Plattform Lernende Systeme in Berlin vorstellen, benennen sie erforderliche Kompetenzen und strukturelle Maßnahmen für erfolgreiche „KI made in Germany“.

Deutschland ist in vielen Forschungs- und Anwendungsfeldern der Künstlichen Intelligenz sehr stark. Die rasche technologische Entwicklung erfordere jedoch einen weiteren Ausbau der Spitzenforschung – insbesondere bei den leistungsstarken Verfahren des Maschinellen und Tiefen Lernens (Deep Learning). Das Verständnis der theoretischen Grundlagen sei hier teils noch lückenhaft, so die beiden Autoren des Whitepapers „Maschinelles und Tiefes Lernen“ der Plattform Lernende Systeme. „Unabhängig davon, ob Daten als das Öl des 21. Jahrhunderts in großen oder kleinem Umfang gesammelt werden: Ohne hochleistungsfähige Raffinerien – also Methoden wie Maschinelles oder Tiefes Lernen – bleiben sie, was sie sind: Rohöl, das keinen (Wirtschafts-)Motor antreiben kann“, sagt Kristian Kersting, Professor für Maschinelles Lernen an der TU Darmstadt und Mitglied der Arbeitsgruppe „Technologische Wegbereiter und Data Science“ der Plattform Lernende Systeme.

Für eine zukunftsorientierte KI-Forschung müsse zudem die KI-Infrastruktur in Deutschland weiter auf- und ausgebaut werden – insbesondere durch Cluster, die Maschinelles und Tiefes Lernen mittels speziellen KI-Beschleunigern (z.B. GPU-/CPU-Cluster) unterstützen. Zugleich gelte: In Zukunft werden sich KI-Infrastrukturen voraussichtlich stark von den heutigen unterscheiden. Deutschland sollte daher nicht nur auf ausgereifte Technologien setzen, sondern gezielt auch neue Rechenplattformen erforschen. Dies könnte zu einem Wettbewerbsvorteil werden.

Leistungsstarke KI-Methoden wachsen zusammen

Maschinelles Lernen gilt vielen Expertinnen und Experten als der Schlüssel zur Künstlichen Intelligenz. Meilensteine der KI-Entwicklung wie das Computerprogramm AlphaGo sowie moderne Übersetzungs- und Bilderkennungssysteme gründen darauf. Der Mensch programmiert hierbei weiterhin – allerdings keine fertigen Lösungen, sondern Systeme, die anhand von bereit gestellten Trainingsdaten selbst die Lösung erlernen.

Eine der aktuell leistungsfähigsten Ansätze des Maschinellen Lernens ist das Tiefe Lernen. Eine große Zahl an künstlichen Neuronen verarbeitet dabei in mehreren Schichten die eingegangenen Informationen und stellt am Ende ein Ergebnis bereit. „Ohne Tiefes Lernen wären die heute viel diskutierten Durchbrüche in der Künstlichen Intelligenz nicht denkbar. Wir müssen hier die Expertise in Deutschland in allen Kernthemen des tiefen Lernens stärken, aber auch Synergien explorieren, beispielsweise zu Wissensgrafen und der Kognitionsforschung “, so Volker Tresp, Professor für Maschinelles Lernen an der LMU München und Distinguished Research Scientist bei der Siemens AG und Mitglied der Arbeitsgruppe „Technologische Wegbereiter und Data Science“ der Plattform Lernende Systeme.

Maschinelles Lernen werde auch künftig das Fundament der KI bilden, so die Autoren des Whitepapers – allerdings auch in Verbindung mit anderen leistungsstarken KI-Methoden. Neben einem fundierten KI-Fachwissen erfordere dies umfangreiche Programmierkenntnisse, Anwendungswissen sowie ein tiefes Verständnis der statistisch-probabilistischen Grundlagen – also dem Umgang mit Unsicherheiten. „Für die Ausbildung der notwendigen Multiplikatoren und den Wissenstransfer in die Praxis muss die KI-Forschung und -Lehre weiter gestärkt werden – durch unbefristete und adäquat ausgestattete Professuren, die zeitversetzt und kompetitiv besetzt werden“, fordert Kristian Kersting. Zudem nötig seien Investitionen in die Infrastruktur sowie eine stärkere Vernetzung der nationalen und EU-weiten KI-Forschung.

Auch der erfolgreich Wissenstransfer in die Praxis erfordere eine stärkere Vernetzung sowie eine interdisziplinäre Zusammenarbeit entlang der Wertschöpfungskette. „Unternehmen müssen selbst KI-Expertise aufbauen, um neue Technologien einzusetzen und zu entwickeln – und darüber selbständig innovativ zu bleiben. „Neben der klassischen Fort- und Weiterbildung braucht es dazu unter anderem den Transfer über KI-Köpfe – also den personellen Austausch zwischen Wissenschaft und Wirtschaft“, so Volker Tresp. Neue duale Programme für Doktorandinnen und Doktoranden und insbesondere die Förderung von Gründungen und Start-ups seien hierfür vielversprechende Instrumente. Weiterhin raten die Autoren des Whitepapers, dass die geplanten KI-Kompetenzzentren und KI-Hubs neben der Grundlagenforschung auch Kooperationsprojekte und -strategien entwickeln sowie Unternehmen beraten.

Zurück