Kaderschmiede für künftige KI-Experten
Am Karlsruher Institut für Technologie (KIT) und an der Eberhard Karls Universität Tübingen können Studenten praktische Erfahrungen in Sachen „Maschinelles Lernen“ sammeln. Ein Beispiel, das Schule macht? Experten fordern jedenfalls eindringlich einen Ausbau von Forschung und Lehre.
Junge Studenten arbeiten an ihren Projekten.
Foto: panthermedia.net/nd3000
Ein neuronales Netzwerk programmieren, das Musik komponiert? Das machen Studierende der Fächer Elektrotechnik und Informationstechnik am Karlsruher Institut für Technologie (KIT) bereits im Bachelorstudium. Dazu müssen die angehenden Ingenieure jedoch einen der 30 Plätze im Labor für angewandte Machine Learning Algorithmen (LAMA) ergattern. Um auf die Liste zu kommen, müssen sie laut KIT über grundlegende Programmierkenntnisse sowie über Kenntnisse in den Grundlagen der Informationstechnik, Signal- und Systemtheorie sowie der Wahrscheinlichkeitstheorie verfügen.
Mit Supercomputern KI lernen
Wer es geschafft hat, dem steht im Labor ein Hochleistungsrechner der neuesten Generation zur Verfügung. Dem KIT zufolge sollen Studenten Algorithmen und Strukturen wie ein Perzeptron, Decision Trees oder einen evolutionären Algorithmus selbstständig implementieren, aber auch die heute in Wirtschaft und Wissenschaft gängigen Methoden und Tools erlernen.
Ingenieurstudenten entwickeln eigene KI-Anwendungen
Wenn die Grundlagen gelegt sind, folgt die vierwöchige Praxisphase, vom KIT auch „Into the wild“-Phase genannt. Während dieser Phase haben die Ingenieursstudenten 4 Wochen Zeit, um eigene Projekte umzusetzen. Neben dem komponierenden Netzwerk haben die Studierenden unter anderem ein Solarstromprognosemodell und einen rückenfreundlichen Bürostuhl entwickelt. Nach dem ersten Durchlauf plant die Hochschule, ähnliche Vorhaben auch für andere KIT-Fakultäten umzusetzen.
Maschinelles Lernen als Master-Studiengang
Neben dem KIT hat auch die Eberhard Karls Universität Tübingen das Thema „Maschinelles Lernen“ auf ihren Lehrplan gesetzt. Der englischsprachige Masterstudiengang nennt sich simpel „Machine Learning“. Eine Zulassungsbeschränkung gibt es nicht. Ingenieure können zugelassen werden, wenn sie die nötigen Mathematik- und Informatikkenntnisse mitbringen. „Während der Vorlesungen werden Übungen durchgeführt, bei denen die Studierenden kleinere Systeme, zum Beispiel zur Bilderkennung implementieren“, erklärt Matthias Hein, der den Studiengang initiiert hat. Darüber hinaus absolvieren die Studierenden ein Praktikum. „Bei diesem Praktikum wird der komplette Entwicklungszyklus eines Machine-Learning-Problems durchgegangen. Beginnend bei der konkreten Benennung des Problems, über die geeignete Auswahl der Methoden bis hin zur Evaluierung des Lernverfahrens“, so der Professor für maschinelles Lernen. Dabei sollen aktuelle Fragestellungen aus der Forschung, z.B. aus den Bereichen Bioinformatik, Medizin, Neurowissenschaften oder Physik, bearbeitet werden. Auch hier kommen Hochleistungsrechner zum Einsatz. „Solche Praktika sind noch selten, da sie sehr betreuungsintensiv sind und derzeit nur wenige Standorte mit ausreichend Hochleistungsrechnern und entsprechend qualifiziertem Personal ausgestattet sind“, erklärt Hein. Er ist sich aber sicher, dass solche Praktika in Zukunft häufiger angeboten werden, da das Thema maschinelles Lernen immer wichtiger wird. „Das Problem ist eher, dass es in Deutschland derzeit noch zu wenige Professuren in diesem Bereich gibt“.
Wie geht es weiter mit maschinellem Lernen „made in Germany”?
Das sehen auch Kristian Kersting und Volker Tresp so. Sie sind Mitglieder der Plattform Lernende Systeme, die vom Bundesministerium für Bildung und Forschung (BMBF) ins Leben gerufen wurde. Ihr Ziel ist es, das Thema „Künstliche Intelligenz“ weiter voranzubringen.
In ihrem Whitepaper „Maschinelles und Tiefes Lernen: Der Motor für KI made in Germany”, erklären die beiden Hochschulprofessoren, dass weitere Investitionen in die KI-Spitzenforschung nötig seien, um die Wettbewerbsfähigkeit der KI-Forschung in Deutschland zu sichern und um mit der internationalen Entwicklung Schritt halten zu können. Darüber hinaus fordern sie, dass die interdisziplinäre Vernetzung mit anderen Wissenschaften, wie etwa der Statistik, der Elektrotechnik oder dem Maschinenbau gefördert werden sollte. Ebenso wie die Schaffung und Förderung von Ökosystemen, in denen KI-Wissen informell geteilt und weiterentwickelt werden könne. „Unternehmen, Hochschulen, Forschungseinrichtungen und Start-ups müssen in geographischer Nähe versammelt werden, so dass die Talente unkompliziert zusammenarbeiten und Ideen austauschen können“, so ein Fazit der Forscher.
Denn eines ist sicher. Ob im Bereich der Wettervorhersage, beim autonomen Fahren oder in der Chemiebranche. Die Experten werden dringend gebraucht.
Mit diesem Verdienst können Experten für künstliche Intelligenz rechnen.
Ein Beitrag von:
