Seit der Einrichtung der Cyber Valley-Initiative gibt es eine kontroverse Debatte über die Forschungen zu künstlicher Intelligenz (KI) und Maschinellem Lernen in Tübingen. Ausgerechnet dieses pittoreske Städtchen am Neckar soll einer der wichtigsten europäischen KI-Forschungsstandorte sein? Für viele eine Zumutung.

Wenn Kinder erwachsen werden, ändert sich die Art und Weise, wie sie lernen, erheblich. Kinder handeln oft ohne erkennbare Absicht, Erwachsene zielgerichteter. Laut einer einflussreichen Theorie verhalten sich Optimierungsalgorithmen, die häufig bei maschinellem Lernen eingesetzt werden, ähnlich. Die nachfolgende empirische Untersuchung zeigt verblüffende Parallelen, aber auch gravierende Unterschiede zwischen menschlichem und maschinellem Lernen.

„KI und Nachhaltigkeit“ – ob zum Mitdiskutieren, Fragen stellen oder einfach sich informieren: Das alles gibt es seit dem 4. April 2023 auf der Wissenschafts- und Debattenplattform te.ma. Mit diesem neuen Ansatz wollen der Exzellenzcluster „Maschinelles Lernen“ und te.ma im komplizierten Dickicht der Wissenschaftskommunikation neue Impulse für den Dialog mit der Öffentlichkeit setzen.

Mit einer Promotion im Maschinellen Lernen liegt einem die Welt zu Füßen. Wissenschaft, IT-Branche oder doch was ganz anderes? Für Poornima Ramesh ist die Antwort nun klar: Sie möchte Maschinelles Lernen einsetzen, um die Lebensbedingungen von Menschen dort zu verbessern, wo die Problemlagen am drängendsten sind. Dazu hat sie sich einem globalen Beratungs-, Datenanalyse- und Forschungsunternehmen angeschlossen.

Wie stark die Sonne scheint und wie schnell der Wind weht, können wir nicht steuern. Um erneuerbare Energien besser zu nutzen, müssen wir jedoch berechnen können, wie Wetter und Klima sich verhalten. Die Modelle dazu entwickelt Nicole Ludwig, Expertin für maschinelles Lernen und nachhaltige Energien.

Für Landwirtinnen und Landwirte ist es tagtäglich eine Herausforderung, dass sich Böden räumlich stark unterscheiden. Maschinelles Lernen kann die Kartierung von Bodeneigenschaften verbessern, sodass Landwirte das Düngen und Bewässern zeit- und kosteneffizient planen können.

Tagung in Wien, Vortrag in Boston, Konferenz in London – wissenschaftliche Veranstaltungen dieser Art gehören zum Arbeitsleben von Forschenden. Dort trifft man auf die jeweilige scientific community und kann die eigene Forschung diskutieren, sich mit anderen austauschen oder auch Ideen für Kooperationen angehen. Doch wie kommt man nach London, Boston oder Wien?

Forschung im Bereich des maschinellen Lernens und den Datenwissenschaften in und aus Afrika hat das Potenzial, eine global wichtigere Rolle einzunehmen, und steht vor einzigartigen Herausforderungen. Mit seinen Graduiertenprogrammen bereitet das panafrikanische Netzwerk von AIMS (African Institute for Mathematical Sciences) junge Afrikaner*innen darauf vor, zu diesem Ziel beizutragen.

Deep-Learning-Algorithmen sind sehr gut darin, bestimmte Objekte wie einen Hund oder ein Auto in einem Bild zu erkennen. Aber wie funktioniert das eigentlich? Meistens bleiben die Mechanismen, die der Entscheidung eines Algorithmus zugrunde liegen, undurchsichtig. Wie wäre es, wenn wir einen solchen Black-Box-Algorithmus intuitiv erklären und dabei sogar daraus lernen könnten?

Ein 3D-Verständnis unserer Welt ist essentiell für zahlreiche Anwendungen im Bereich der erweiterten und virtuellen Realität, sowie für Simulationen. 3D-Trainingsdaten sind jedoch schwer zu beschaffen. Daher entwickeln wir einen Algorithmus zur Erstellung von 3D-Grafiken, der nur mit 2D-Bildern trainiert werden kann. Indem wir unseren Algorithmus so gestalten, dass er 3D-Daten effizient darstellen kann, halten wir den Rechenaufwand niedrig genug um den Übergang von 2D-Bildern zu 3D-Grafiken zu ermöglichen.

Künstliche Intelligenz (KI) und Demokratie haben viele Berührungspunkte. Ob KI langfristig die Demokratie stärkt oder schwächt, ist jedoch offen. Es wird Zeit, dass wir uns als Forscher*innen und Bürger*innen mehr einmischen und gemeinsam eine Vision für eine digital versierte Demokratie entwickeln.

Dass Algorithmen viele Dinge können, verblüfft uns nicht mehr. Nun können sie angeblich auch “erklären”. Aber wollen wir das?

Diffusionsprozesse in der Natur sind hochkomplex, und Wissenschaftler arbeiten daran, sie im Detail zu verstehen. Mit einem neuen, von der Physik inspirierten künstlichen neuronalen Netz können wir solche Prozesse jetzt viel genauer modellieren und vorhersagen als bisher möglich.

Unterschiedliche Perspektiven bringen die Forschung voran. Viel zu häufig wird Afrika dabei allerdings nicht mitgedacht. Mit einem Stipendienprogramm für junge Forschende soll sich das ändern. Für sechs Monate kommen fünf Talente aus afrikanischen Ländern nach Tübingen, um an Forschungsprojekten im maschinellen Lernen zu arbeiten.

Eines Tages werden uns Maschinen vielleicht zur Arbeit fahren. In ungewohnten Situationen oder bei verrauschten Daten kommen sie heute allerdings noch ins Straucheln. Das liegt daran, dass Maschinen die Welt ganz anders sehen als wir Menschen. Diese Lücke beginnt sich aber zu schließen.

Forschende trainieren ein neuronales Netz darauf, in nur wenigen Sekunden die Eigenschaften verschmelzender schwarzen Löcher anhand der abgestrahlten Gravitationswellen präzise abzuschätzen. Das Netzwerk bestimmt die Massen und Eigendrehimpulse der schwarzen Löcher, sowie wo am Himmel, in welchem Winkel und wie weit von der Erde entfernt die Verschmelzung stattgefunden hat.

Über ethische Aspekte der Künstlichen Intelligenz (KI) wird heute viel diskutiert. Weitverbreitet ist dabei die Ansicht, KI dürfe nie dazu dienen, Entscheidungen über Menschen zu treffen. "Einspruch!", sage ich dazu in diesem Blogbeitrag: Statt uns darüber Sorgen zu machen, was die KI alles über uns entscheidet, sollten wir unseren Blick von der Technik als solcher lösen und mehr auf diejenigen richten, die ihren Einsatz in Auftrag geben.

Viele Menschen stehen dem Einsatz von KI-Systemen skeptisch gegenüber. Ein Grund dafür ist, dass die Systeme zu intransparent sind. Zeynep Akata, Professorin für erklärbares maschinelles Lernen, will das ändern – und rückt die Perspektive der Nutzer ins Zentrum ihrer Forschung.

Mit hunderten Forschenden aus aller Welt haben wir die Eigenschaften verschiedener Neuronentypen von Mäusen, Affen und Menschen untersucht. Dabei haben wir neueste experimentelle Techniken und Methoden aus dem Maschinellen Lernen zur Datenanalyse verwendet. Das Ergebnis ist ein einzigartiger Überblick über den motorischen Kortex und dessen Entwicklung im Laufe der Evolution.

Die Einzelmolekül-Lokalisierungsmikroskopie ist eine leistungsstarke Methode, um zelluläre Strukturen mit Nanometerauflösung abzubilden. Wir haben DECODE entwickelt, einen auf Deep Learning basierenden Analysealgorithmus, der diese Technik schneller und noch präziser macht.

Computermodelle sind ein hervorragendes Werkzeug für die Analyse neuronaler Mechanismen. Doch die Modelle auf die Gehirnaktivität abzustimmen, ist eine große Herausforderung. Wir haben ein Werkzeug entwickelt, das diesen Prozess durch maschinelles Lernen automatisiert, und mit ihm eine Simulationsumgebung für ein Netzhautimplantat geschaffen.

Wer stellt die bessere medizinische Diagnose, Algorithmus oder Mensch? Aus Sicht von Technikphilosoph Thomas Grote ist dieser Wettstreit nicht zielführend. Er plädiert dafür, den Blick auf das Zusammenspiel der beiden zu richten – und betont die Bedeutung der Philosophie.

Algorithmen werden immer besser darin, medizinische Bilder zu analysieren und Krankheiten zu erkennen. Die Forscher Christian Baumgartner und Sergios Gatidis - der eine KI-Experte, der andere Radiologe – rechnen damit, dass sich dadurch die Arbeit von Ärztinnen und Ärzten fundamental verändern wird.

Die Informatik-Professorin Ulrike von Luxburg spricht im Interview über die Möglichkeiten und Schwierigkeiten, Systeme des Maschinellen Lernens auf Fairness zu trimmen – und warum sie davon überzeugt ist, dass über bestimmte Fragen Menschen und nicht Maschinen entscheiden sollten.

Mit dem Bayesschen Formalismus kann man tiefe neuronale Netze um Unsicherheiten ergänzen. Bayessches Deep Learning gilt allerdings als umständlich und teuer. Neue Ergebnisse zeigen jedoch, wie eine kalibrierte Unsicherheit in tiefen Netzen erreicht werden kann - effizient und ohne die Vorhersagekraft zu beeinträchtigen.