BOKU Magazin 4/2022

BOKU Medienstelle/Christoph Gruber
Von Georg Sachs
zum Wald geschuldet, es ist auch die
gesamtgesellschaftliche Bedeutung der
Forstwirtschaft, die ihn fasziniert: „Was
wir hier machen, entspricht genau dem
‚One Health‘-Gedanken: Gesunde Menschen
brauchen einen gesunden Planeten.“
Dazu müssen die verschiedensten
Faktoren zusammenspielen, die man im
Wald findet: Luft, Pflanzen, Boden – „es
heißt ja nicht von ungefähr Universität
für Bodenkultur“, meint Holzinger
schmunzelnd.
„WIR HABEN DIE DATENMENGEN
UND ZUNEHMENDE
RECHENLEISTUNG“
Als sich Holzinger begann, für Computer
zu interessieren, war KI noch lang nicht
so angesagt, wie heute. Und auch gegenwärtig
bleibt mitunter im Dunkeln, was
damit eigentlich gemeint ist: „Ich finde
den Begriff ‚Künstliche Intelligenz‘ nicht
gut gewählt. Wir wissen gar nicht, was
menschliche Intelligenz ist – und wollen
sie doch künstlich nachbauen.“ Innerhalb
des weiten Felds KI-basierter Werkzeuge
ist maschinelles Lernen heute aber eine
gut definierte und breit angewandte Aufgabenstellung
– „unser Arbeitspferd“,
wie Holzinger sagt. Ein Teil sind sogenannte
„Deep-Learning“-Ansätze, bei
denen „tiefe neuronale Netze“ verwendet
werden, die zahlreiche Zwischenschichten
zwischen Eingabe und Ausgabe
enthalten. Der mathematische Kern
all dieser Methoden ist dabei das, was
man „Inverse Probability“ nennt: Man
betrachtet eine Wahrscheinlichkeitsverteilung
von Daten, die von einem Parameter
abhängt (einer bestimmten Eigenschaft
der beobachteten Sachverhalte,
die Einfluss auf die Verteilung nimmt)
und schließt („invers“) vom Auftreten
der Verteilung auf den Wert des Parameters.
Dabei gehen die KI-Spezialisten
von einer A-priori-Wahrscheinlichkeit
aus (welche Verteilung der Messwerte
kann ich annehmen, wenn ich noch gar
nichts weiß), aus der sie anhand der erhobenen
Daten eine A-Posteriori-Wahrscheinlichkeit
(was weiß ich jetzt mehr?)
errechnen. Dieses Spiel wiederholt sich
dann immer und immer wieder, indem
bei jeder Schleife die anhand der Daten
errechnete Verteilung die neue A-priori-Wahrscheinlichkeit
wird, die an neuen
Daten geprüft wird. Von Schritt zu
Schritt wird dabei die sogenannte Verlustfunktion
(die Abweichung der erhobenen
Daten von den Modelldaten)
minimiert.
„Böse Zungen sagen, wir machen nichts
anderes als Funktionen zu optimieren“,
lacht Holzinger, „aber wir kämpfen dabei
schnell gegen den Fluch der Hochdimensionalität.“
Das hat mit dem schon
erwähnten Phänomen der „Big Data“
zu tun: Wenn immer mehr miteinander
zusammenhängende Daten erhoben
werden, müssen dementsprechend viele
Paramater gleichzeitig untersucht
werden. Das ist auch der Grund dafür,
warum maschinelles Lernen heute auf
einen viel fruchtbareren Boden fällt als
BOKU Magazin 4 | 2022
37