Machine Learning – Evolution oder Revolution?

Gleich zu Beginn stellten sich die Math • Phys Alumni kurz vor und präsentierten ihre beeindruckende Entwicklung. Sieben Jahre nach der Gründungsfeier hat die Fachgruppe bereits über 1‘700 Mitglieder und organisiert jedes Jahr um die zehn Anlässe. Lediglich an der Frauenquote mit gut 17 % könnte man noch etwas arbeiten. Michael Stadelmann, Präsident Math • Phys Alumni, leitete das Thema Machine Learning ein und stellte gleich folgende Fragen in den Raum:  handelt es sich um eine Evolution und ergänzt der Begriff lediglich die Buzzword-Liste? Oder steht die Gesellschaft an einer Schranke zur Digitalisierung, die aufgrund der „Machine Learning“-Algorithmen nicht nur digital, sondern auch wirklich revolutionär ist? 

Die Zukunft besteht aus „Mensch und Maschine“

Antworten auf diese Fragen hatte Referent Simon Hefti, CEO von D ONE, welcher sich täglich mit der Anwendung von Machine Learning in der Wirtschaft beschäftigt. Dr. Simon Hefti erläuterte gleich zu Beginn die wichtigsten Algorithmen, die dahinter stecken und verschaffte den Teilnehmern damit einen ersten Eindruck, was genau unter dem Schlagwort Machine Learning zu verstehen ist. Vom Decision Tree (Klassifikation) bis hin zum Neuralen Netzwerk gibt es heute mächtige Methoden, die den Horizont zur klassischen Regression enorm erweitern. Dabei geht es stets darum, dass der Computer aus Erfahrungswerten lernt und sich stets verbessert – ohne dass man ihn neu programmiert. Die Anwendungsgebiete sind breit gefächert – von der erweiterten Klassifikation bis hin zum selbstfahrenden Auto. Herausforderungen der aufstrebenden Technologie sind beispielsweise Overfitting sowie die Stabilität, welche man gut im Auge behalten muss. Die erhaltenen Ergebnisse sind zwar gut, aber die Modelle sind nicht mehr interpretierbar und durch die hohe Komplexität ist auch die Rechenleistung heute noch ein Thema. Seinen Vortrag schloss Dr. Simon Hefti mit der Erkenntnis, dass Machine Learning aus seiner Sicht eine Evolution ist und die Zukunft aus „Mensch und Maschine“ besteht – dem Fahrrad der Evolution.

Machine Learning digitalisiert das Denken

Nach diesen Grundlagen erzählte Prof. Dr. Joachim M. Buhmann den anwesenden Alumni, an welchen Themen er und sein Team am Institut für Maschinelles Lernen an der ETH Zürich forschen. Er erachtet die künstlichen neuronalen Netze als ein gutes Modell zur Nachbildung des biologischen Nervennetzwerkes, welches bekanntlich adaptiv und lernfähig ist. Denn diese lernenden Algorithmen erforschen die Komplexität der Wirklichkeit. Erste Anwendungsbereiche sind sehr vielversprechend – Bild-/Gesichtserkennung, automatisierte Übersetzungen, autonomes Fahren und so weiter. Das Institut wendet diese Algorithmen unter anderem in der Medizin an, um Diagnose-, Prognose- und Therapiedaten zu analysieren – beispielweise, um Krebs anhand von Gewebeproben zu diagnostizieren – die sogenannte rechnergestützte Pathologie. Zusammengefasst sagte Prof. Dr. Joachim M. Buhmann, dass Machine Learning das Denken digitalisiert, Ergebnisse ohne interpretierbare Modelle prognostiziert und dies nochmals die ganze virtuelle Welt umwälzen wird – also eine Revolution. Und vielleicht wird es dadurch möglich sein, die Ressourcenengpässe zukünftiger Generationen (bspw. Phosphor) in den Griff zu bekommen.