@solveig_klepper

T

Es gibt viele Modelle im Bereich des maschinellen Lernens, die eine Vielzahl von Designmöglichkeiten bieten. Jede Entscheidung im Design beeinflusst sowohl die Genauigkeit als auch den Energieverbrauch des Modells. Brownlee und Kollegen untersuchen systematisch das Zusammenspiel von Energieaufwand und Modellgenauigkeit und zeigen, dass es möglich ist, große Energieeinsparungen bei geringfügigem Genauigkeitsverlust zu erzielen.

Bäume können eine große Menge Kohlenstoff aus der Atmosphäre binden und speichern. Die Autor*innen des Papers analysieren mit Hilfe von Deep Learning die Speicherkapazität von Bäumen in großen Trockengebieten. Dabei errechnet ihr Modell weniger Kohlenstoffbestand als die bisherigen Modelle. Auch wenn sie dem Modell eine gewisse Unsicherheit einräumen, könnte das bedeuten, dass der Kohlenstoffbestand von Trockengebieten bisher überschätzt wurde.

Welche Rolle spielt KI in der Erreichung der UN Sustainable Development Goals (SDGs)? Zehn Expert*innen aus unterschiedlichen Fachrichtungen finden in ihrer Untersuchung heraus, dass KI auf fast 80 Prozent der Nachhaltigkeitsziele einen positiven Einfluss nehmen kann. In einigen Bereichen kann sie aber auch hinderlich sein. Die Autor*innen diskutieren sowohl aktuelle Erkenntnisse als auch, was noch fehlt, damit KI uns bei einer nachhaltigen Entwicklung unterstützt und nicht behindert. 

Während KI häufig als Allzweckwaffe im Kampf gegen globale Herausforderungen wie den Klimawandel angepriesen wird, steigt zugleich der Energieverbrauch von KI-Algorithmen stetig an. In dieser Folge des Wissenspodcasts Neuland geht es um den hohen Energieverbrauch, aber auch um das Potential von KI und die Rolle der Forschung für intelligente Energielösungen der Zukunft.

Gutes Leben für alle Menschen auf der Welt, jetzt und immer. Aber was heißt gutes Leben und wie kann man das messen? Die Nachhaltigkeitsziele der Vereinten Nationen bilden einen Minimalkonsens der 193 Mitgliedstaaten. Zwar schaffen sie wichtige Richtlinien für eine nachhaltige Entwicklung, gehen aber auch mit einer Vielzahl von Problemen einher. 

Menschen haben Vorurteile – KI-Modelle auch. Oft sollen diese Modelle lernen, menschliches Verhalten zu reproduzieren. Das kann dazu führen, dass Stereotype automatisiert und Gesellschaftsgruppen diskriminiert werden. Katharina Brunner, Elisa Harlan und Shannon Reitmeir untersuchen vier Dienste zur Erkennung anzüglicher Inhalte auf Bildern. Alle vier scheinen Frauen zu diskriminieren.

Weiß ein künstliches neuronales Netz, wann es überfragt ist? Es ist oft sehr selbstsicher in seinen Antworten, selbst wenn es die Frage nicht versteht. Alexander Meinke, Julian Bitterwolf und Matthias Hein versuchen herauszufinden, wie man ihm beibringen kann, zu erkennen, dass es eine Aufgabe nicht lösen kann.

„There ain’t no such thing as a free lunch“, zu deutsch: „Es gibt nichts umsonst.“ Diese Aussage gilt auch für maschinelles Lernen. David Wolpert und William G. Macready formalisierten diese Aussage zwischen 1992 und 1996 in Form der „No-Free-Lunch“-Theoreme. Eine häufige Interpretation der Theoreme ist, dass maschinelles Lernen unmöglich ist und alle Lernalgorithmen gleich schlecht sind. Sterkenburg und Grünwald beleuchten Kritik, Erweiterungen und Interpretationen der Theoreme und argumentieren, dass modernes maschinelles Lernen und dessen theoretische Grundlagen nicht im Widerspruch zu den „No-Free-Lunch“-Theoremen stehen. 

Wie können wir sicherstellen, dass eine ökologisch nachhaltige Entwicklung auch sozial gerecht ist? Dieser Frage geht Eva Senghaas-Knobloch nach. Sie untersucht Ansätze zur Messung und Konzeptualisierung sozialer Nachhaltigkeit. Diese sieht sie als Grundvoraussetzung für eine ökologisch nachhaltige Entwicklung an.

Können Maschinen denken? Alan Turing stellte im Jahr 1950 diese bis heute relevante und ungeklärte Frage. Er reformulierte sie in Form eines Spiels, das er Imitation Game nannte. Dessen Vereinfachung ist bis heute unter dem Namen Turing-Test bekannt und soll zwischen Mensch und Maschine differenzieren.