01. 10. 2020
Verfasst von: Marius Lindauer

Maschinelles Lernen – effizient durch Design-Automatisierung

Eine Person befindet sich in einem Serverraum und bedient gleichzeitig ein Laptop sowie Tablet. — Automatisierte Lösungen können den Menschen beim Design von neuronalen Netzen unterstützen.

Die neuesten Durchbrüche im maschinellen Lernen (ML) haben die Anzahl möglicher Anwendungen enorm gesteigert: Sie revolutionieren die industrielle Fertigung und Medizintechnik, fördern smarte Lernan-gebote oder den Kampf gegen den Klimawandel. For-schende in Hannover entwickeln automatisierte ML-Verfahren, damit sie auch für Mittelständler wirtschaft-lich anwendbar sind.

KI-Anwendungen für den Mittelstand

Technologien aus dem Bereich der künstlichen Intelligenz (KI) unterstützen uns seit Jahren bei vielen industriellen und gesellschaftlichen Aufgaben. Dabei konzentriert sich die Entwicklung neuer KI-Anwendungen und deren Erforschung zunehmend auf wenige, große IT-Unternehmen. Nur diese können sich im Wettbewerb um die wenigen KI-Experten auf dem Jobmarkt behaupten. Um künstliche Intelligenz auch für kleine und mittlere Unternehmen zugänglich zu machen, forscht ein Team unter Prof. Marius Lindauer am Institut für Informationsverarbeitung der Leibniz Universität Hannover an Methoden, die KI möglichst einfach für die breite Masse anwendbar machen. Seine Lösung: automatisiertes maschinelles Lernen (AutoML).

Konfiguration per Knopfdruck

Maßgebend für den Erfolg von KI-Anwendungen ist deren Design, das Experten bislang manuell optimieren. Dieser Prozess ist sehr zeitaufwändig und fehleranfällig, denn Anwender müssen viele Entscheidungen über Algorithmen, Prozesstechniken und Architekturen von neuronalen Netzen treffen. AutoML-Systeme unterstützen diese Entscheidungsfindung. Sie finden heraus, wann welche Verfahren mit welchen Einstellungen gut funktionieren. Die Konfiguration per Knopfdruck unterstützt Entwickler, KI für neue Aufgaben und auf neuen Datensätzen effizient anzuwenden. Dadurch wird KI demokratisiert und das Potenzial für Mittelständler freigesetzt. Es vereinfacht die Ausbildung von KI-Entwicklern und kann Berührungsängste in der Bevölkerung abbauen.

Fehlerrisiken verringern

Zu den größten Herausforderungen zählt zum einen die Effizienz solcher Systeme, damit diese auch wirtschaftlich anwendbar sind. Zum anderen sollten Anwender davor bewahrt werden, über eine der vielen Tücken der künstlichen Intelligenz zu stolpern. Beispielsweise bergen KI-Systeme die große Gefahr, gesellschaftliche Vorurteile verstärkt widerzuspiegeln, wenn sie mit unzureichenden Daten trainiert werden. Das führt dazu, dass manche Systeme praktisch nicht verwendbar sind. Deswegen steuern die Wissenschaftlerinnen und Wissenschaftler das Ziel an, AutoML-Systeme zu bauen, die Anwender vor solchen Risiken warnen und sie dabei unterstützen, diese zu vermeiden.