Interview mit Lars Schwabe

Maschinelles Lernen: Vom Forschungsgegenstand zur Commodity

Melanie Feldmann

Lars Schwabe

Nicht nur auf JAXenter werfen wir einen genauen Blick auf den Trend Machine Learning, auch auf der W-JAX im November geht es um Neuronale Netze und Deep Learning. Wie sprachen mit Machine-Learning-Experten und W-JAX-Speaker Lars Schwabe (Lufthansa Industry Solutions) über die Hintergründe von Maschinellem Lernen und warum es auch für Entwickler wichtig ist, sich damit auseinanderzusetzen.

JAXenter: Viele Entwickler haben während ihres Studiums sicher etwas über Maschinelles Lernen gehört. Jetzt scheint es aber immer mehr den Weg von der Wissenschaft in die Unternehmen zu finden. Was hat sich in den letzten Jahren verändert?

Lars Schwabe: Es ist einerseits die Akzeptanz für Methoden der Künstlichen Intelligenz und des Maschinellen Lernens in den Unternehmen. Ich sehe das im Kontext des generellen Trends der Digitalisierung, der bei Entscheidern zunehmend Interesse weckt für mehr Automatisierung. Viele sind natürlich auch getrieben. Die Unternehmen des Silicon Valleys zeigen, wie Daten verwertet werden können. Hier will kein CEO oder CIO auf der Bremse stehen. Wenn nun beispielsweise im Manager Magazin Artikel zu „Artificial Intelligence“ auftauchen oder Google Manager davon sprechen, dass Machine Learning am besten in jedes Produkt integriert werden sollte, dann ebnet dies den Weg in den Unternehmen für innovative Methoden wie Maschinelles Lernen.

Was vor wenigen Jahren noch Forschungsgegenstand war, ist inzwischen Commodity.

Auf methodischer und technischer Ebene sind auf jeden Fall die Erfolge des Deep Learnings zu nennen, die natürlich beeindruckend sind, aber durch die Medien natürlich auch verstärkt und teilweise verzerrt werden. Außerdem sind inzwischen viele Frameworks und APIs verfügbar, die es Entwicklern ermöglichen, Anwendungen mit Techniken des Maschinellen Lernens zu realisieren. Hier ist inzwischen weitaus weniger Handarbeit notwendig also noch vor wenigen Jahren. Das ist die Leistung von – so nenne ich diese Rolle gerne – Machine Learning Engineers. Der Nachteil dabei: Der Entwickler kann oft nicht mehr unter die Motorhaube schauen und die Mechanik genau verstehen.

Aber wenn man genau hinschaut, dann wurden Methoden der Künstlichen Intelligenz schon länger in Unternehmen eingesetzt. Es war oft nur nicht so sichtbar. Die Einstiegshürde ist für viele Unternehmen inzwischen aber weitaus niedriger. Das sehe ich als grundsätzliches Muster in der Technologieentwicklung: Was vor wenigen Jahren noch Forschungsgegenstand war, ist inzwischen Commodity. Forschungsinhalte werden zu Technologien weiter entwickelt, die genutzt werden können, ohne dass der Entwickler sie im Detail zu verstehen braucht. Und in der IT passiert dies gerade im Bereich der Künstlichen Intelligenz und des Maschinellen Lernens.

JAXenter: Vollkommen verstanden hat man noch nicht, was genau beim Maschinellen Lernen passiert. Ist die Technik denn reif für den Einsatz im Alltag?

Lars Schwabe: Das stimmt so nur zum Teil. Es wird oft bemerkt, dass man Deep Learning im Detail nicht verstanden habe. Und das gilt wohl auch für einige andere Anwendungen des Maschinellen Lernens. Aber was ist mit „Verstehen“ hier gemeint? Damit ist gemeint, dass wir über Theorien verfügen, mit denen wir Voraussetzungen und Grenzen beim Einsatz des Maschinellen Lernens bestimmen können.

Manchmal ist die Theorie der Praxis voraus. Manchmal ist die Praxis der Theorie voraus.

Um Missverständnisse zu vermeiden: Solche Theorien gibt es! Sie werden auch an Universitäten gelehrt. Im Bereich des Maschinellen Lernens ist besonders die statistische Lerntheorie relevant. Natürlich ist auch dies ein lebendiges Forschungsfeld. Nicht alles, was in der Praxis umgesetzt wird und offenbar auch gut funktioniert ist im Detail theoretisch begründet. Manchmal ist die Theorie der Praxis voraus. Manchmal ist die Praxis der Theorie voraus. Aber auch das ist ein grundsätzliches Muster, das überall dort auftaucht, wo mathematische Theorien für Ordnung und Klarheit sorgen, z. B. in der Numerik oder Optimierung.

Im Bereich der IT will ich zurück fragen: Welcher Entwickler wendet formale Methoden an, um die Korrektheit von Implementierungen nachzuweisen? Vielen Entwicklern sind diese oft nicht einmal bekannt. Hier behilft man sich mit Testen. Das ist eine empirische Methode, aber keine Theorie. Maschinelles Lernen ist meines Erachtens auf jeden Fall reif für den Einsatz in der Praxis unter der Voraussetzung, dass Praktiken wie Testen, Monitoring und Alerting systematisch angewendet werden.

JAXenter: Warum sollten sich auch klassische Softwareentwickler jetzt mit dem Thema beschäftigen? Ist Maschinelles Lernen nicht eher ein Thema für die sogenannten Data Scientists?

Lars Schwabe: Im Java Magazin hatte ich dazu bereits meine Sicht artikuliert und für die Rolle des Machine Learning Engineers geworben. Ich denke, dass der erfolgreiche Einsatz von Machine Learning ganz besonders abhängt von fähigen Entwicklern. Ein Data Scientist muss mächtige Tools nutzen, einfachen Zugang zu Daten haben und die entwickelten Modelle irgendwohin deployen können. Deshalb ist eine Aufgabe für einen Machine Learning Engineer, diese Voraussetzungen zu schaffen.

Wenn ein Entwickler das Herz eines Informatikers hat, sollte Maschinelles Lernen zum Repertoire gehören.

Für mich ist es überhaupt keine Frage: Maschinelles Lernen ist im Kern ein Informatikthema. Die Mechanisierung des Denkens war und ist eine der großen Motivationen für die Informatik als Wissenschaft. Maschinelles Lernen ist eine Variante davon. Wenn ein Entwickler das Herz eines Informatikers hat – unabhängig davon, ob er ein Quereinsteiger oder studierter Informatiker ist –, dann sollte Maschinelles Lernen zum Repertoire gehören, genau wie Mechanik und Elektrodynamik zum Repertoire eines Physikers gehören.

JAXenter: Wie viel Theorie, z. B. über Neuronale Netze und Deep Learning, braucht ein Entwickler für den Einstieg in Maschinelles Lernen?

Lars Schwabe: Neuronale Netze und Deep Learning will ich gar nicht so herausstellen. Das sind nur spezifische Modelle, die auf Grundlage von Daten gelernt werden. Wichtig halte ich Kenntnis von Kennzahlen, um die Güte von Prädiktionen zu bewerten, beispielsweise das Lesen der Konfusionsmatrix für binäre Klassierungen oder das Verständnis der sogenannten Receiver Operator Characteristics (ROC). Auch Themen wie Overfitting sollten bekannt sein, ebenso die Unterscheidung zwischen Trainings-, Test- und Validierungsdatensatz. Das reicht, um sich dann mit existierenden Frameworks und Datensätzen zu beschäftigen.

JAXenter: Was fasziniert Sie persönlich an dem Thema?

Lars Schwabe: Es hört sich vielleicht etwas hochtrabend an, aber was mich eigentlich motiviert ist zu verstehen, wie Wahrnehmen und Denken funktioniert. Deshalb hatte ich mich auch lange Zeit mit Neurowissenschaft beschäftigt. Mich interessiert die Theorie des Maschinellen Lernens und der Künstlichen Intelligenz als ein Werkzeug dazu. Das Entwickeln von lauffähigen technischen Systemen ist dabei aber nicht nur ein Nebeneffekt. Indem wir lauffähige technische Systeme entwickeln und bauen, schärfen wir unsere Theorien und entwickelt Technologien, die das Leben von vielen Menschen verbessern.

JAXenter: Geben Sie unseren Lesern bitte drei Tipps, wie man gut in das Thema Maschinelles Lernen einsteigen kann.

  1. Ein etwas älteres Fachbuch, das aber nichts an Aktualität verloren hat: Judea Peral, Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference (Morgan Kaufmann Series in Representation and Reasoning). Hier geht es gar nicht primär um das Lernen, aber um eine Methode, die für modernes Maschinelles Lernen unentbehrlich ist.
  2. Der Online-Kurs zum Maschinellen Lernen von Andrew Ng
  3. Steven Spielbergs Vollendung von Kubricks Werk zur Künstlichen Intelligenz: Der Film „AI“.

JAXenter: Vielen Dank für das Gespräch!

schwabe_larsLars Schwabe hat an der TU Berlin in Informatik promoviert. Er leitet derzeit das Data Insight Lab im Technology Innovation Center der Lufthansa Industry Solutions, wo Data Scientists und ML-Experten für Industrieunternehmen neue datengetriebene Lösungen entwickeln.
Geschrieben von
Melanie Feldmann
Melanie Feldmann
Melanie Feldmann ist seit 2015 Redakteurin beim Java Magazin und JAXenter. Sie hat Technikjournalismus an der Hochschule Bonn-Rhein-Sieg studiert. Ihre Themenschwerpunkte sind IoT und Industrie 4.0.
Kommentare

Hinterlasse einen Kommentar

Hinterlasse den ersten Kommentar!

avatar
400
  Subscribe  
Benachrichtige mich zu: