Johannes Brandstetter entwickelt und analysiert an der Johannes-Kepler-Universität in Linz Machine-Learning-Algorithmen, die in Zukunft für verschiedenste Anwendungen genutzt werden können. Eigentlich ist der Datenspezialist Hochenergiephysiker, er war unter anderem auch an der Analyse des Higgs-Bosons am Kernforschungszentrum CERN beteiligt. “Nach meinem Doktorat am Institut für Hochenergiephysik der Österreichischen Akademie der Wissenschaften bin ich zu Sepp Hochreiter nach Linz gekommen, um im Bereich Deep Learning zu forschen. Der Bezug zur Physik kommt mir dabei zugute, weil viele Algorithmen im Bereich Deep Learning physikalische Wurzeln haben”, sagt der Forscher.
Summer School der Akademie
Um Algorithmen und maschinelles Lernen ging es heuer auch bei der Summer School der Österreichischen Akademie der Wissenschaften (ÖAW) zu Artificial Intelligence. In der sommerlich grünen Hügellandschaft der Steiermark trafen erstmals Studierende, Post-Docs und Forscher/innen mehrerer Institute der ÖAW sowie weiter Forschungseinrichtungen, die mit großen Datenmengen und KI-Technologien befasst sind, zusammen. Eine Woche lang wurde im August das Wissen über diese Zukunftstechniken gemeinsam vertieft. Einer der Vortragenden: Johannes Brandstetter.
Für KI gibt es großes Potenzial im Gesundheitswesen, etwa bei der Entwicklung von neuen Medikamenten, oder wenn es darum geht, die Entwicklung komplexer Systeme vorherzusagen, wie bei der Klimaforschung.
Die Techniken, auf die sich Brandstetters Team in Linz und auch ihre Kolleg/innen im Ausland spezialisieren, beruhen allesamt auf neuronalen Netzwerken. “Hier gibt es seit etwa fünf bis zehn Jahren einen Boom. Ich arbeite in verschiedenen Projekten, die sich mit einer Reihe von Ansätzen beschäftigen, etwa Reinforcement Learning oder Long Short-Term Memory Erweiterungen, ein Konzept, das ja von Sepp Hochreiter erfunden wurde”, sagt Brandstetter. Die grundlegenden Prinzipien von Deep-Learning-Algorithmen sind seit den 1980er- und 1990er-Jahren bekannt. In den vergangenen Jahren hat sich durch Fortschritte bei Computern und vor allem auch große Investitionen durch Konzerne aus dem Silicon Valley oder China aber nochmals einiges auf dem Gebiet getan.
Kombination von Netzwerken
“Dass wir nur die Früchte der Arbeit von vor 30 Jahren ernten, stimmt nur bedingt. Das Grundkonzept ist schon etwas älter, aber gerade in den vergangenen fünf Jahren wurden hier noch viele neue Ansätze entwickelt, die Deep Learning erst reif für die verschiedensten Bereiche gemacht haben, wie zum Beispiel Attention-Transformer-Netzwerke. Heute steht vor allem das Verständnis des Zusammenspiels verschiedener Arten von neuronalen Netzwerken im Zentrum des Forschungsinteresses. Es geht darum, robustere Netze zu erschaffen, Gelerntes auf andere Netze zu übertragen und verschiedene Architekturen zu verbinden. Man darf nicht vergessen, dass der Forschungseifer zwischenzeitlich stark abgeflaut ist. Wir stehen heute in Wahrheit noch am Anfang”, sagt Brandstetter.
Das mögliche Anwendungspotenzial für Deep-Learning-Algorithmen ist jedenfalls enorm. Bereits heute kommen Menschen in ihrem Alltag mit entsprechenden Systemen in Berührung, etwa wenn sie Sprachassistenten wie Siri oder Alexa benützen. “Das wird in den kommenden Jahren interessant. Künstliche Intelligenz, oder präziser der Subzweig Deep Learning, wird alle Bereiche des Lebens umkrempeln, von der Wirtschaft über die Medizin bis zu anderen Wissenschaften”, sagt Brandstetter.
Die möglichen Vorteile sind so groß, dass die Systeme auf jeden Fall eingesetzt werden, das ist ganz ähnlich wie damals bei der Einführung von Computern.
Die lernfähigen Systeme werden überall zum Einsatz kommen, wo es Muster in großen Datenmengen zu erkennen gilt. “Die Grenzen dieser Technologie liegen in den verfügbaren Daten. Ein Algorithmus kann nicht mehr liefern, als die Daten hergeben. Ich sehe beispielsweise sehr großes Potenzial im Gesundheitswesen, etwa bei der Entwicklung von neuen Medikamenten, oder wenn es darum geht, die Entwicklung komplexer Systeme vorherzusagen, wie bei der Klimaforschung und Wettervorhersagen”, sagt der Datenexperte.
Schattenseite
Die Schattenseite des Deep-Learning sieht Brandstetter auch. “Man ist natürlich exponierter, wenn auch persönliche Daten im industriellen Maßstab ausgewertet werden können, das bietet auch neue Möglichkeiten zur Überwachung von Bürgern. Aber ich sehe doch eher die positiven Aspekte”, sagt Brandstetter. Die Werkzeuge, die für die meisten Anwendungen benötigt werden, sind heute bereits verfügbar. Allerdings muss die Gesellschaft die Deep-Learning-Systeme auch annehmen. Hier gibt es vereinzelt auch Vorurteile gegen maschinelle Analysen.
“Die Systeme haben natürlich ihre Grenzen. Wenn Datensätze zu klein sind oder bei statistischen Ausreißern haben die Algorithmen Probleme. Das liegt teilweise auch am Design. Wenn jemand zwei Soul-Lieder aus den 60er-Jahren hört, bekommt er vielleicht Ähnliches vorgeschlagen, obwohl er nur diese zwei speziellen Nummern mag. Das könnte man für den Einzelnen besser lösen, wenn man noch besseren Zugriff auf seine persönlichen Daten hätte. Das ist ein Für und Wider”, erklärt Brandstetter.
Bei sensiblen Bereichen wie in der medizinischen Diagnostik sollen die Deep-Learning-Systeme ohnehin nur als Unterstützung für Ärzte und Ärtzinnen oder andere Expert/innen dienen. “Das sieht man etwa schon bei der Krebserkennung oder der Überwachung von Patient/innen auf der Intensivstation, wo mit den Algorithmen bereits bessere Ergebnisse erreicht werden, als ohne”, sagt der Physiker. Dass entsprechende Algorithmen breitflächig zum Einsatz kommen werden, steht für Brandstetter außer Frage: “Das wird die Welt verändern. Die möglichen Vorteile sind so groß, dass die Systeme auf jeden Fall eingesetzt werden, das ist ganz ähnlich wie damals bei der Einführung von Computern. Dadurch werden viele Jobs obsolet, andere werden neu entstehen.”
Europa mischt mit
In verschiedenen Bereichen der Wissenschaft kommen Deep-Learning-Systeme schon seit den 90er-Jahren zum Einsatz, etwa am CERN, wo die Datenmengen so groß sind, dass eine Analyse mit anderen Methoden kaum machbar wäre. “Hier werden Algorithmen in Zukunft noch wichtiger, gerade bei der Analyse großer Systeme, etwa in der Festkörperphysik. Deep-Learning-Algorithmen werden in Zukunft auch Durchbrüche in der Forschung bringen”, sagt Brandstetter. Weil die Einsatzmöglichkeiten so vielfältig sind, wird derzeit viel Geld in den Forschungsbereich Machine Learning gepumpt. Das gilt vor allem für die USA und China, wo große Konzerne wie Google, Facebook, IBM, Alibaba oder Tencent sehr tiefe Taschen haben. “In Europa ist in den 1990er-Jahren viel im Bereich Machine Learning passiert. Viele der jüngsten Durchbrüche sind dann aber in Amerika passiert”, sagt Brandstetter.
Daten werden das neue Gold. Das wird auch geopolitisch einige Verwerfungen mit sich bringen.
Einen Rückstand Europas konstatiert der Experte aber nicht. Der alte Kontinent habe viele gute junge Leute, die auf dem Gebiet forschen, und auch die großen Konzerne haben Forschungszentren hier eingerichtet. “Auch in Österreich passiert derzeit einiges, die Unis investieren und auch Firmen wie Audi eröffnen hier Forschungsstandorte für Deep-Learning-Systeme. Für Wissenschaftsinstitutionen kann es derzeit aber schwierig sein, gute Forscher/innen anzuwerben, weil Firmen wie Google natürlich unverhältnismäßig gut zahlen. Wir eröffnen an der Johannes-Kepler-Universität in Linz im Herbst aber jedenfalls einen neuen Studiengang für künstliche Intelligenz”, sagt Brandstetter.
Zudem haben die Internetkonzerne einen weiteren Vorteil: Die enormen Datenberge, die sie in den vergangenen Jahren anhäufen konnten. “Daten werden das neue Gold. Das wird auch geopolitisch einige Verwerfungen mit sich bringen”, sagt Brandstetter. Dass die Menschen irgendwann die Kontrolle über die Systeme verlieren könnten, die sie für die Datenanalyse schaffen, glaubt Brandstetter übrigens nicht: “Die Algorithmen können heute gut aus Daten lernen. Alles andere ist noch sehr weit weg, hier sollte keine Panik gemacht werden.”
