Neue numerische Softwaretools für leistungsfähigere KI
Algorithmen der künstlichen Intelligenz (KI) sind im Wesentlichen rechengestützte Problemlöser. KI und maschinelles Lernen (ML) basieren auf einer Grundlage, die oft die Lösung klassischer numerischer Probleme wie Optimierung, linearer Algebra und Differenzialgleichungen beinhaltet. Die KI- und ML-Forschung greift häufig auf existierende numerische Softwaretools zurück, da diese allgemein verfügbar sind. Doch die meisten numerischen Algorithmen sind bereits mehrere Jahrzehnte alt und nicht spezifisch auf KI ausgelegt, sondern wurden ursprünglich für einen völlig anderen Zweck entwickelt. Diese generischen Algorithmen, die in solchen Sammlungen zusammengestellt sind, sind bei spezifischen Aufgaben tendenziell ineffizient und können sogar unsicher sein, wenn sie falsch auf Probleme angewendet werden, für die sie nicht entwickelt wurden. Das Projekt PANAMA, das vom Europäischen Forschungsrat finanziert wurde, hat einen Rahmen entwickelt, um diese numerischen Methoden für KI-Algorithmen zu überarbeiten. Gesamtziel des Projekts war es, die numerische Berechnung für die KI-Forschung zu aktualisieren und nahtloser darin zu integrieren, um die KI letztlich schneller und nutzungsfreundlicher zu machen. „Eines der Hauptziele unseres Projekts PANAMA bestand darin, bessere Schnittstellen für die Einbindung von KI- und ML-Methoden bereitzustellen“, sagt Philipp Hennig, Professor für die Methoden des Maschinellen Lernens an der Universität Tübingen.
Ähnliche Rechenverfahren
Unter einer numerischen Methode versteht man ein Programm, das mithilfe von Computerchips die Lösung eines mathematischen Problems abschätzt, indem es eine Reihe von „hilfreichen Zahlen“ berechnet, wie etwa die Werte der Glieder in einer Gleichung. Anschließend stellt es auf der Grundlage dieser Zahlen eine weitere Gleichung auf, um die Lösung zu schätzen. Ähnlich dazu schätzt ein ML-Algorithmus unbekannte Quantitäten anhand von Daten, die ebenfalls eine Sammlung „hilfreicher Zahlen“ darstellen. So können zum Beispiel Messungen der Flugbahn eines astronomischen Objekts herangezogen werden, um dessen zukünftige Flugbahn zu schätzen. Es bestehen daher starke semantische Ähnlichkeiten zwischen maschinellem Lernen und numerischer Berechnung, da beide Formen darauf basieren, Informationen in Form von Zahlen zu sammeln. Die neuen Methoden, die im Rahmen von PANAMA entwickelt wurden, formulieren diese Schritte nun in der gleichen mathematischen Sprache.
Ein neuer Rahmen für numerische Berechnungen wird geschaffen
Das Projekt entwickelte einen Softwarerahmen, der eine zunehmend automatisierte Entwicklung von numerischen Methoden für die KI erlaubt. Für dieses Ziel nutzte das Team als Berechnungsmethode das sogenannte automatische Differenzieren, ein leistungsfähiges mathematisches Konzept. Die Software von PANAMA ist online verfügbar. Daneben erstellte das Team mehrere praktische Implementierungen der neuen Tools. Das Projekt lieferte außerdem Routinen auf niedriger Ebene für maschinelles Lernen (Low-Level-Routinen), die für Fachleute aus dem Ingenieurswesen und der wissenschaftlichen Praxis direkt nutzbar sind. Ein weiteres Projektergebnis ist ein umfassendes Fachbuch, das von Cambridge University Press veröffentlicht wurde und online erhältlich ist. „Es ist das erste Buch, dass Computerberechnungen aus der Inferenz-Perspektive behandelt“, erklärt Hennig.
Bessere KI für ein breites Anwendungsspektrum
Die Werkzeuge von PANAMA können von Fachleuten aus der KI-Praxis in zahlreichen Disziplinen, wie den Neurowissenschaften, dem Gesundheitswesen und den Geowissenschaften genutzt werden. Das Anwendungsspektrum der Methoden erstreckt sich von der Simulation biologischer neuronaler Netze über die adaptive Verfolgung und Bekämpfung von Pandemien bis hin zur Simulation komplexer geologischer Prozesse mit hohem Unsicherheitsfaktor. Die Ergebnisse von PANAMA werden zu eindeutigeren Paradigmen für die Programmierung und Umsetzung von KI-Systemen führen, die leistungsfähiger, effizienter und sicherer sind. „Glücklicherweise erfolgt diese Art von theoretischer Arbeit nicht in dem rasanten Tempo von KI-Anwendungen“, fügt Hennig hinzu. „Sie kann dafür aber langfristigere Wirkung entfalten, da sie KI-Systeme nicht nur leistungsstärker und effizienter werden lässt, sondern auch einfacher und sicherer in der Nutzung.“
Schlüsselbegriffe
PANAMA, künstliche Intelligenz, maschinelles Lernen, probabilistisch, Anwendungen, numerisch, Lösungen, Probleme