Naturforschende Gesellschaft in Basel
Seit 1817 im Dienste von Natur & Wissenschaft

Lernende Maschinen werden dank Big Data (künstlich) intelligent

Die Digitalisierung unserer Gesellschaft erfasst alle Lebensbereiche unseres modernen Daseins und stellt unser modernes Weltbild stark in Frage. Nicht nur in den Wissenschaften und der Industrie, auch für die Organisation unseres Gemeinwesens und in unserem Privatleben spielen Daten und Algorithmen eine immer wichtigere Rolle. E-commerce erlaubt uns per Mausklick, durch das Angebot dutzender Kaufhäusern zu stöbern; elektronische Partneragenturen finden zu uns bestens passende Lebensgefährten und präventiv planende Software gestaltet Einsatzpläne der Polizei nach vermuteten Verbrechensorten. Personalisierte Wahlwerbung informiert bzw. beeinflusst uns als Wähler in einer Art und Weise, die unsere demokratische Staatsform grundsätzlich herausfordert. Wir sind in soziale Netzwerke eingebunden und dort erfährt man oft mehr über uns als wir selbst über uns wissen. Die Koordinaten unseres Weltbilds werden wahrscheinlich durch die Digitalisierung so grundlegend verändert wie nie zuvor in der Menschheitsgeschichte.

Lernende Algorithmen und künstliche Intelligenz sind die treibenden Kräfte dieser informationstechnologischen Revolution. Am Beispiel der modernen Medizin lässt sich sehr anschaulich verdeutlichen, wie durch das Sammeln riesiger Mengen von sehr unterschiedlichen Daten sich ein Berufsbild verändern wird. Die Gesundheitswissenschaften messen heute unsere Genominformationen, Proteom- und Metabolomdaten und verwenden verschiedenste bildgebende Verfahren, um histologische Schnitte, Bilddaten von Gehirnen und Ganzkörperaufnahmen abzubilden. Diese Datenquellen werden durch die Annotierungen von Ärzten noch angereichert und durch Umweltfaktoren und Informationen zum Lebensstil ergänzt.

Die Datenwissenschaften sehen sich der Herausforderung gegenüber, relevante Schlüsse aus diesen Datenmengen für Diagnose, Prognose und Therapie zu ziehen. Dazu werden oftmals komplexe Datenverarbeitungsprozesse entworfen und optimiert, die mit erheblichen Unsicherheiten und Rauschstörungen in den Daten zurechtkommen müssen. Wir demonstrieren mit Methoden des Maschinellen Lernens, wie robuste Algorithmen in der Krebsdiagnose und der Neurologie zur Prognose eingesetzt werden können. Dabei dient die wissenschaftliche Methode als Qualitätsstandard für den Algorithmenentwurf.