Von Daten zu intelligenten Systemen: Data Science als Schlüssel für erfolgreiche KI

Literature advertisement

Wege zur physikalischen Erkenntnis

Diese erweiterte Neuauflage des Buchs „Wege zur physikalischen Erkenntnis“ enthält neben der wissenschaftlichen Selbstbiographie folgende Vorträge:

Die Einheit des physikalischen Weltbildes.
Die Stellung der neueren Physik zur mechanischen Naturanschauung.
Neue Bahnen der physikalischen Erkenntnis.
Dynamische und statistische Gesetzmäßigkeit.
Das Prinzip der kleinsten Wirkung.
Verhältnis der Theorien zueinander.
Das Wesen des Lichts.
Die Entstehung und weitere Entwicklung der Quantentheorie.
Kausalgesetz und Willensfreiheit.
Vom Relativen zum Absoluten.
Physikalische Gesetzlichkeit.
Das Weltbild der neuen Physik.
Positivismus und reale Außenwelt.
Wissenschaft und Glaube.
Die Kausalität in der Natur.
Ursprung und Auswirkung wissenschaftlicher Ideen.
Die Physik im Kampf um die Weltanschauung.
Vom Wesen der Willensfreiheit.
Religion und Naturwissenschaft.
Determinismus oder Indeterminismus.
Sinn und Grenzen der exakten Wissenschaft.
Scheinprobleme der Wissenschaft.
Wissenschaftliche Selbstbiographie.

Hier geht es weiter …



Teilen: 

12.11.2020 12:53

Von Daten zu intelligenten Systemen: Data Science als Schlüssel für erfolgreiche KI

Medizinische Assistenzsysteme oder Software-Lösungen zur vorausschauenden Wartung von Industrieanlagen versprechen großen Nutzen. Sie basieren auf Daten, die mit Methoden der Künstlichen Intelligenz (KI) ausgewertet werden. Voraussetzung ist ein umfassendes Datenmanagement. Warum es bei der Entwicklung von KI-Systemen auf die „richtigen“ Daten ankommt, was Data Engineering bedeutet und welche Kompetenzen Data Science-Fachleute benötigen, erläutert Kai-Uwe Sattler, Professor für Datenbanken und Informationssysteme an der TU Ilmenau. Er ist Mitglied der Arbeitsgruppe „Technologische Wegbereiter und Data Science“ der Plattform Lernende Systeme und Co-Autor des Whitepapers „Von Daten zu KI“.

Herr Sattler, große Mengen an Daten plus intelligente Algorithmen ergeben nutzbringende KI-Anwendungen. Was ist falsch an dieser Rechnung?

Kai-Uwe Sattler: Große Datenmengen allein genügen leider nicht. Zwar werden gerade für das Lernen mit tiefen Netzen große Trainingsdaten benötigt, aber dies erhöht natürlich auch den Aufwand der Datenerfassung, -vorbereitung und des Trainings. Daher kommt es darauf an, die „richtigen“ Daten als Trainingsdaten zur Verfügung zu haben. So sollten die Trainingsdaten – beispielsweise für die Bilderkennung – natürlich die zu identifizierenden Objekte enthalten. Aber eben auch Negativbeispiele in allen möglichen bzw. auftretenden Variationen. Hierbei sind Bias (Voreingenommenheit) und Diskriminierung schon bei der Datenauswahl zu vermeiden. In der Literatur ist eine ganze Reihe von Beispielen für Bias und Diskriminierung beschrieben, die zeigen, welche Auswirkungen dies haben kann.

Wie werden aus Daten brauchbare Daten? Worauf kommt es beim Data Engineering an?

Kai-Uwe Sattler: Zunächst müssen überhaupt geeignete Daten erfasst werden, die das zu bearbeitende Problem repräsentieren. So sollten für eine Anwendung im Bereich Predictive Maintenance eben auch Fehlerzustände, und nicht nur normale Betriebsdaten erfasst werden. Sind Daten erfasst, müssen sie aufbereitet werden. Dies umfasst die Bereinigung wie das Erkennen und Entfernen fehlerhafter Werte, die Verknüpfung mit anderen Daten und ggf. die Annotation der Daten. Sowohl die Daten als auch die Erfassungs- und Verarbeitungsprozesse sollten dokumentiert und durch Metadaten beschrieben werden, um eine Nachvollziehbarkeit zu gewährleisten. Der Aufwand dieser Vorbereitung kann in KI-Projekten bis zu 80 Prozent des Gesamtaufwands betragen. Data Engineering stellt die Methoden und Infrastrukturen für diese Prozesse zur Verfügung und umfasst Datenmanagement, Datenintegration und Datenaufbereitung – beispielsweise durch Datenbanksysteme, Big Data-Systeme oder Data Cleaning-Werkzeuge.

Welche Fähigkeiten benötigen Entwicklerinnen und Entwickler, um vertrauenswürdige KI-Anwendungen zu schaffen?

Kai-Uwe Sattler: Neben Methodenkenntnissen aus dem Bereich des maschinellen Lernens bzw. der Künstlichen Intelligenz sind dies insbesondere Kenntnisse zur Datenmodellierung, -transformation und -integration, aber auch Kenntnisse der Statistik, um Eigenschaften der Daten und die Qualität der Ergebnisse bewerten zu können. Ferner sind Kenntnisse aus den Bereichen Ethik und Recht hilfreich, um verantwortungsvoll mit den Daten umgehen zu können. Und natürlich ist auch umfassendes Anwendungswissen unabdingbar. Dies zeigt schon, dass es sich nicht mehr allein um klassische Softwareentwicklung handelt. Vielmehr sind dies Anforderungen, die einen interdisziplinären Zugang erfordern: Anwendungsexpertinnen und -experten benötigen zunehmend sogenannte Data Literacy-Expertise und Data Science-Fachleute müssen auch die Anwendungsdomänen verstehen. Hier wird sich sicher ein großer Bedarf an Weiterbildungsangeboten entwickeln.

Weiterführende Informationen:

Das Whitepaper „Von Daten zu KI – Intelligentes Datenmanagement als Basis für Data Science und den Einsatz Lernender Systeme“ der Plattform Lernende Systeme steht hier zum kostenlosen Download bereit: https://www.plattform-lernende-systeme.de/files/Downloads/Publikationen/AG1_Whit…

Einen Überlick über Studiengänge rund um KI und Data Science in Deutschland liefert die KI-Landkarte der Plattform Lernende Systeme: https://www.plattform-lernende-systeme.de/ki-landkarte.html?STU=1

Über die Plattform Lernende Systeme

Die Plattform Lernende Systeme wurde 2017 vom Bundesministerium für Bildung und Forschung (BMBF) auf Anregung des Fachforums Autonome Systeme des Hightech-Forums und acatech gegründet. Sie vereint Expertinnen und Experten aus Wissenschaft, Wirtschaft, Politik und Zivilgesellschaft aus dem Bereich Künstliche Intelligenz. In Arbeitsgruppen entwickeln sie Handlungsoptionen und Empfehlungen für den verantwortlichen Einsatz von Lernenden Systemen. Ziel der Plattform ist es, als unabhängiger Makler den gesellschaftlichen Dialog zu fördern, Kooperationen in Forschung und Entwicklung anzuregen und Deutschland als führenden Technologieanbieter für Lernende Systeme zu positionieren. Die Leitung der Plattform liegt bei Bundesministerin Anja Karliczek (BMBF) und Karl-Heinz Streibich (Präsident acatech).


Originalpublikation:

Daniel Keim, Kai-Uwe Sattler: Von Daten zu KI – Intelligentes Datenmanagement als Basis für Data Science und den Einsatz Lernender Systeme. Whitepaper aus der Plattform Lernende Systeme, München 2020.


Weitere Informationen:

https://www.plattform-lernende-systeme.de/files/Downloads/Publikationen/AG1_Whit… Whitepaper „Von Daten zu KI – Intelligentes Datenmanagement als Basis für Data Science und den Einsatz Lernender Systeme“
https://www.plattform-lernende-systeme.de/ki-landkarte.html?STU=1
http://Studiengänge rund um KI und Data Science in Deutschland auf der KI-Landkarte der Plattform Lernende Systeme


Merkmale dieser Pressemitteilung:
Journalisten
Gesellschaft, Informationstechnik, Maschinenbau, Wirtschaft
überregional
Forschungs- / Wissenstransfer, Forschungsergebnisse
Deutsch


Quelle: IDW