Forschung an der Schnittstelle zwischen Maschinellem Lernen und Statistik

Forschung an der Schnittstelle zwischen Maschinellem Lernen und Statistik

Künstliche Intelligenz wird immer mehr Teil unseres Alltags. Das macht es umso wichtiger, dass Entscheidungen auf Grundlage Maschinellen Lernens keine „Black Box“ bleiben, sondern nachvollziehbar, verlässlich und sicher – besonders in risikobehafteten Bereichen wie Medizin, Mobilität oder Klimaforschung.

„Klassische KI-Algorithmen liefern oft nur eine deterministische Antwort – ohne zu zeigen, wie sicher oder unsicher diese sind“, erklärt Nadja Klein. Die Leiterin der Forschungsgruppe Methods for Big Data am Scientific Computing Center (SCC) ist auf Bayesianische Methoden spezialisiert. Diese statistischen Verfahren kombinieren vorhandenes Vorwissen mit neuen Daten und erlauben es, logisch nachvollziehbare Aussagen über Unsicherheiten zu treffen. „Wir arbeiten daran, Risiken und Unsicherheiten realitätsnah abzubilden, indem wir Bayesianische Statistik mit Machine- und Deep Learning verbinden. Ziel sind robustere Modelle, die sowohl mit kleinen als auch mit großen Datenmengen umgehen können und ein verlässliches Risikomanagement bieten“, so die Wissenschaftlerin.

Von Bedeutung ist dieser Ansatz beispielsweise für autonomes Fahren: „Auf der Autobahn gibt es häufig wiederkehrende und einfache Fahrsituationen, die gut dokumentiert sind. In ländlichen Gebieten sind die möglichen Szenarien individueller“, sagt Klein. „Bisherige Deep Learning Modelle berücksichtigen vorhandenes Wissen wie digitale Straßenkarten in der Regel nicht.“ Bayesianische Methoden hingegen ermöglichen es, solches Vorwissen gezielt einzubinden – etwa um seltene Situationen besser einzuschätzen oder um Unsicherheit klar zu signalisieren: ´Bitte übernimm manuell´. Auch in der Medizin können Bayesianische Methoden Vorteile bieten, zum Beispiel bei der Behandlung komplexer Erkrankungen mit mehreren Medikamenten. „Klassische KI-Modelle bieten zwar eine Vorhersage, wie sich der Gesundheitszustand entwickeln könnte – aber keine Antwort auf die Frage, welches Medikament welchen Effekt hatte oder wie sicher sich der Gesundheitszustand gemäß der Vorhersage entwickeln wird. Unsere Methoden sollen für solche Fälle eine bessere Nachvollziehbarkeit und Verständlichkeit ermöglichen“, erklärt die KI-Expertin.

Als Forschungsuniversität in der Helmholtz-Gemeinschaft biete das KIT eine einzigartige und ideale Infrastruktur für ihre Forschung an der Schnittstelle zwischen Statistik, Informatik und Anwendung, so Klein. „In unserer Forschungsgruppe arbeiten wir gezielt interdisziplinär, um Theorie und Grundlagenforschung mit realen Anwendungen zu verbinden.“

Für ihre Forschung wurde Nadja Klein unter anderem bereits mit dem Emerging Leader Award des Committee of Presidents of Statistical Societies (COPSS) ausgezeichnet. Die Wissenschaftlerin ist Mitglied der Jungen Akademie der Leopoldina. Ihre Forschungsgruppe wird als eine von drei Gruppen im Bereich Statistik durch das Emmy-Noether-Programm der Deutschen Forschungsgemeinschaft (DFG) gefördert. Sie betreut interdisziplinäre Projekte in Zusammenarbeit mit Industriepartnern, etwa aus der Automobilbranche, und setzt sich intensiv für die Förderung des wissenschaftlichen Nachwuchses ein, zum Beispiel als Vertrauensdozentin der Studienstiftung des deutschen Volkes.

(kar)

Der Presseservice des KIT stellt gerne den Kontakt zwischen den Medien und Prof. Nadja Klein her.

Fotonachweis:
Grafik: KleinLab/KIT
Porträt: Amadeus Bramsiepe/KIT