Zur Person:
Barbara Hammer ist Professorin für maschinelles Lernen an der Technischen Fakultät der Universität Bielefeld. Sie studierte von 1989 bis 1995 Mathematik und Informatik an der Universität Osnabrück. 1999 wurde sie mit einer Dissertation zum Thema "Learning with Recurrent Neural Networks" an der Universität Osnabrück promoviert und 2004 als Leiterin einer Forschernachwuchsgruppe zum Thema "Lernen von neuronalen Netzen auf strukturierten Daten" habilitiert. Gastaufenthalte führten sie an die Rutgers University, USA, das Center for Artificial Intelligence & Robotics (CAIR) in Bangalore, Indien, die Universitäten Pisa und Padova, Italien, und die Université Paris 1 Panthéon-Sorbonne Frankreich.
Ihre Forschungsschwerpunkte liegen in den Bereichen künstlicher neuronaler Netze, Data-Mining, Bioinformatik, Lerntheorie und lebenslanges interaktives maschinelles Lernen. Dabei interessiert sie besonders die Brücke von der mathematischen Fundierung der Methoden zu den Erfordernissen in der Praxis, sowie Implikationen auf die Gesellschaft, betreffend etwa Privatheit, Sicherheit oder Fairness.
Prof. Hammer ist Mitglied des wissenschaftlichen Direktoriums Schloss Dagstuhl und Mitglied des Auswahlausschuss für Forschungsstipendien der AvH Stiftung. Sie bekleidete mehrere Rollen bei der IEEE Computational Intelligence Society, unter anderem als Leitung des Data Mining Technical Committee sowie des Neural Networks Technical Committee. Sie ist PI im ERC Synergie Grant Water Futures sowie Lamarr Fellow. Zehn ihrer Arbeiten wurden mit Best Paper Awards ausgezeichnet.
Und darum geht es:
Spätestens seit der Verfügbarkeit von ChatGPT hat Maschinelles Lernen unseren Alltag erreicht. Dabei beruht ChatGPT im Grunde auf einem sehr großen parametrisierten Modell der Statistik, das mit verschiedenen Lernverfahren auf sehr großen Datenmengen trainiert wurde. Was also sind Unterschiede zu statistischen Verfahren, gibt es diese überhaupt, und falls ja, was sind damit einhergehende Vorteile und Risiken?
Im Vortrag sollen aus Sicht der Informatik anhand von Beispielen einige mögliche Unterscheidungen identifiziert werden, insbesondere Flexibilität moderner Verfahren des Maschinellen Lernens in komplexen Szenarien, sowie Effizienz der Inferenz der Verfahren für große Daten. Es wird argumentiert, dass damit einhergehende Risiken insbesondere in einem limitierten Verständnis und begrenzter Beherrschbarkeit der Modelle, die oft als Black-Box Verfahren agieren, liegen. Mögliche Lösungsansätze etwa für Robustheit und Erklärbarkeit der Modelle sind Gegenstand aktueller Forschung.