ZFAC Kamingespräch mit Katja Bühler, 28.4.2021

Dipl.Math. Dr. Katja Bühler studierte Mathematik am Karlsruher Institut für Technologie. Nach einem einjährigen Forschungsaufenthalt am Centro de Computación Gráfica y Geometría Aplicada, Universidad Central de Venezuela, wechselte sie nach Österreich, wo sie 2001 am Institut für Visual Computing & Human-Centered Technology der TU Wien zur Doktorin der Informatik (Dr.techn.) promovierte. Dort hatte sie auch den Posten einer Universitätsassistentin (Univ.Ass.) inne, ehe sie 2002 ihre Karriere als Senior Researcher am VRVis sowie als externe Lektorin an der TU Wien fortsetzte. Bereits im folgenden Jahr, 2003, folgte ihre Beförderung zur Leiterin der Biomedical Image Informatics-Forschungsgruppe des VRVis. 2010-2020 leitete sie zudem den Forschungsbereich „Complex Systems“. Mit 2021 übernahm Katja Bühler die wissenschaftliche Leitung des VRVis. Katja Bühler wird regelmäßig von der Europäischen Union und verschiedenen internationalen Förderorganisationen als technische und wissenschaftliche Expertin engagiert. Schwerpunkte ihrer Expertentätigkeit liegen dabei auf Visual Computing, Image Analytics, Künstliche Intelligenz, HPC und Research Data Management, sowie auf der Evaluation und Begleitung von Large-Scale Research (FET Flagship), Forschungsinfrastrukturen und PPP-Projekten.

In ihrer Keynote erläuterte Katja Bühler die Organisation des VRVis (> 200 Kunden, aktuell 73 Mitarbeiter, Umsatz 2019 7 Mio EUR, international vernetzt, Non-Profit Organisation) sowie die Zielsetzung des VRVis (mit Visual Computing und Artifical Intelligence Daten zu extrahieren, zu analysieren und in Informationen zu transferieren). Weiters geht es dem Institut um Datamining in Zusammenarbeit mit Neurowissenschaftlern um beispielsweise für Radiologen im Medizinbereich sowie um Lifelong Machine Learning neue Erkenntnisse zu erzielen. Ja, Sie hörten richtig, auch für Maschinen ist lebenslanges Lernen wichtig!

Mit der innovativen Technologie des AI brain inspired computing versucht AI das menschliche Denken zu kopieren. Fünf Konzepte des menschlichen Körpers spielen dabei eine wichtige Rolle damit Maschinen wie Menschen Entscheidungen treffen bzw. wie wir lernen können:

1. Neuronen
2. Neurotransmitter
3. Elektrophysiologie
4. Plastizität des Gehirns
5. Synchronität

Die Forschung arbeitet zudem mit neuronalen Netzwerken. Das sind Netzwerke, die aus Datenpunkten bestehen, welche miteinander verbunden sind und am Ende ein Ergebnis ergeben. Mit gezielten Inputs lernt AI und gibt Informationen in die nächste Schicht weiter. Letztendlich kann dann durch AI Lernen, durch die Kombination von verschiedenen Schichten eines Netzwerkes, etwas ganz Neues herauskommen. Beispielsweise kann die Unvollendete von Beethoven mittels AI fertiggestellt werden. 

Das Training von AI funktioniert heute immer noch mittels Trial & Error. In der Folge braucht es viel Erfahrung und Expertise sowie viele Experimente um einen validen Output zu erhalten. Nicht ausgewogene, einseitige Daten und unklare Tasks stellen AI immer wieder unter große Herausforderungen. Ein Thema ist auch die Tatsache, dass Netzwerke oft mit alten Daten lernen und damit bereits veralterte Konzepte über AI entstehen. Damit weisen Netzwerke immer wieder einen Bias auf und AI vertritt folglich bereits veralterte und subjektive Standpunkte. Darum ist es wichtig bei AI immer zu hinterfragen: Wer hat ein neuronales Netzwerk mit welchen Daten wie trainiert und wie tragfähig ist dieses Netzwerk?

Wo kommt AI zum Einsatz?

Überall. In der Forschung, im Profiling von Menschen, im Marketing, in der Crime Detection & Prevention, im HR-Recruiting, in der Manipulation von Menschen, bei Sensor Daten relevanten Themen wie autonomes Fahren, in der Medizin, in den Bereichen Lifescience & Robotics, im Manufacturing und im Gaming.Die EU hat erstmalig im April 2021 den Entwurf eines Frameworks zu AI geliefert. AI ist eine disruptive Technologie, die erst am Anfang steht und uns in den kommenden Jahren noch stark beschäftigen wird. Es gibt noch einiges zu lösen wie zB. Sicherheits- und Robustheitsaspekte, etc.