Startseite > Fachgruppen > Intelligente Systeme und Maschinelles Lernen

Intelligente Systeme und Maschinelles Lernen

 

Der Forschungsschwerpunkt unseres Fachgebiets liegt im Bereich des maschinellen Lernens, einer wissenschaftlichen Disziplin im Schnittbereich von Informatik, Statistik und angewandter Mathematik, die in der jüngeren Vergangenheit stark an Bedeutung gewonnen hat. Das maschinelle Lernen bildet eine tragende Säule der modernen künstlichen Intelligenz und des neuen Wissenschaftszweigs der Data Science.

Erweiterungen des überwachten Lernens

Viele unserer Forschungsarbeiten beschäftigen sich mit Erweiterungen des sogenannten überwachten Lernens, einem der wichtigsten Teilgebiete des maschinellen Lernens. Während Standard-Lernverfahren beispielsweise auf vektoriellen Daten arbeiten, ist eine Repräsentation in Form strukturierter Objekte wie Graphen, Sequenzen oder Ordnungen in vielen Anwendungen besser geeignet. Darüber hinaus sind Repräsentationen in Form von Mengen oder Verteilungen wichtig, um Unsicherheit oder Impräzision abzubilden. Die Entwicklung von Lernverfahren für diese Art von Daten ist besonders herausfordernd. Unsere Aktivitäten in diesem Gebiet beinhalten Arbeiten zum maschinellen Lernen für strukturierte und Mehrziel-Vorhersagen, prädiktive Modellierung für komplexe Objekte, schwach überwachtes Lernen und das sogenannte Präferenzlernen.

Online-Lernen und Datenströme

Ein weiterer Schwerpunkt unserer Forschung ist das Online-Lernen in dynamischen Umgebungen; hierzu gehören Bandit-Algorithmen, Reinforcement Learning und Lernen auf Datenströmen. Im Gegensatz zum Standard-Setting des überwachten Lernens, in dem die Daten zur Trainingszeit vollständig vorliegen, erfordert das Online-Setting inkrementelle Algorithmen zum Lernen auf kontinuierlichen Datenströmen sowie eine enge Integration von Trainings- und Prädiktionsphase. Die Entwicklung von Algorithmen zum Online-Lernen ist besonders schwierig aufgrund der beschränkten Zeit- und Speicherressourcen (Adaption und Prädiktion müssen schnell sein, evtl. in Echtzeit, und Daten können nicht vollständig gespeichert werden). Darüber hinaus müssen Lernverfahren in der Lage sein, auf Veränderungen der Umgebung und des datengenerierenden Prozesses reagieren zu können.

Unsicherheit im maschinellen Lernen

Kern des maschinellen Lernens bildet die Extraktion von allgemeinen Modellen aus spezifischen Daten im Rahmen eines induktiven Prozesses. Da solche Modelle immer hypothetischer Natur sind, ist das Lernen aus Daten unvermeidbar mit Unsicherheit behaftet. Neben der inhärent unsicheren induktiven Inferenz existieren weitere Quellen der Unsicherheit, wie inkorrekte Modellannahmen und fehlerhafte bzw. verrauschte Daten. In unseren Forschungsarbeiten geht es um Fragen der adäquaten Repräsentation von Unsicherheit im maschinellen Lernen, dem Lernen aus unsicheren und unpräzisen Daten sowie verlässlichen Vorhersagen in sicherheitskritischen Anwendungen.

Anwendungen

Trotz eines Schwerpunkts im Bereich der theoretischen und methodischen Grundlagen interessieren wir uns auch für praktische Anwendungen der künstlichen Intelligenz und des maschinellen Lernens. Gemeinsam mit Kolleginnen und Kollegen aus anderen Disziplinen arbeiten wir an Anwendungen in den Ingenieurwissenschaften, den Wirtschaftswissenschaften, den Lebenswissenschaften, den Geistes- und Kulturwissenschaften sowie der Industrie.

Gesellschaftliche Aspekte

Die künstliche Intelligenz und das maschinelle Lernen haben weitreichenden Einfluss auf unsere Gesellschaft. Gemeinsam mit Sozialwissenschaftlern untersuchen wir die Implikationen von Algorithmen im Bereich Data Analytics sowie des algorithmischen Entscheidens.