Achtung:

Sie haben Javascript deaktiviert!
Sie haben versucht eine Funktion zu nutzen, die nur mit Javascript möglich ist. Um sämtliche Funktionalitäten unserer Internetseite zu nutzen, aktivieren Sie bitte Javascript in Ihrem Browser.

Glasfasern aus der Optoelektronik in der Fakultät für Elektrotechnik, Informatik und Mathematik, Foto: Universität Paderborn

Bildinformationen anzeigen

Glasfasern aus der Optoelektronik in der Fakultät für Elektrotechnik, Informatik und Mathematik, Foto: Universität Paderborn

| Juuli Eckstein

Prof. Dr. Axel Ngonga im Interview über seine Auszeichnung als „Most Influential Scholar“

Prof. Dr. Axel Ngonga, Leiter der Data Science (Dice) group an der Universität Paderborn, zählt weltweit zu den Wissenschaftlern mit dem höchsten Impact im Bereich des knowledge engineering. Dies haben Analysen der unabhängigen Online Plattform AMiner ergeben, die in der kürzlich erschienenen „AI 2000 Most Influential Scholar List“ die 2000 einflussreichsten Forscher auf dem Gebiet der Künstlichen Intelligenz bekannt gab. Das Ranking, bei dem Prof. Dr. Axel Ngonga im Bereich Wissensmodellierung den sechsten Platz belegt, zeichnet die Arbeit der vergangenen 10 Jahre der Forschenden aus.

Im Interview spricht er über seine Forschung, die ihm diese Spitzenplatzierung eingebracht hat.

Worum dreht sich Ihre Forschung?

Wir wollen schlussendlich, dass Menschen und Maschinen Probleme gemeinsam lösen können. Das bedeutet, dass wir versuchen Wissen so zu modellieren, dass es für Menschen noch nachvollziehbar ist aber auch Maschinen dieses Wissen verarbeiten können. Unsere Forschungsarbeiten sind zentral darauf ausgerichtet Wissensgraphen zu bauen und nutzen, und zwar in einer Vielzahl von Anwendungen. Ein plastisches Anwendungsbeispiel ist dabei die Krebsforschung, wobei wir Wissen so modellieren, dass wir zeiteffizient komplexe Anfragen von Domänenexperten bearbeiten können. Die Antworten können dann von Ärzten z.B. für die Personalisierung von Therapien genutzt werden.

Was versteht man unter knowledge engineering?

Bei Wissensmodellierung (wie es im Deutschen lautet) im klassischen Sinn geht es darum Modelle so zu bauen, dass daten- oder wissensgetriebene Systeme Fragestellungen effizient beantworten können. Die zentrale Modellierungsfrage bei uns lautet: Wie modellieren wir Wissen so, dass Maschinen und Menschen zusammenarbeiten können?

Woran genau haben sie in den vergangenen 10 Jahren geforscht, um  solch einen Impact erzielt zu haben?

Eine Vielzahl unserer Arbeiten dreht sich um die Grundlagen für erklärbare KI. Wir untersuchen zum Beispiel wie man KI-Modelle verbalisiert und damit diese Modelle mittels natürlicher Sprache erklärt. So sollen Menschen und Maschinen nicht nur die KI-Modelle verstehen, sondern auch deren Entstehung. Hier kann es zu einer Kooperation zwischen Mensch und Maschine kommen, indem Menschen gewisse Lernschritte korrigieren bzw. Modelle verwerfen oder zusätzliche Trainingsdaten zur Verfügung stellen. Die KI soll somit lernen was tatsächlich intendiert war.

Ein weiterer Bereich ist das Verarbeiten von Anfragen an große Wissensgraphen mit Milliarden von Fakten. Maschinen lernen aus solchen Graphen, indem sie eine Hypothese formulieren und aus dieser Anfragen generieren. Anhand der Ergebnisse der Anfragen können wir evaluieren wie gut die Hypothese ist. Da wir sehr große Wissensgraphen mit mehreren Milliarden Knoten und Kanten haben, ging es darum diese Anfragen möglichst zeiteffizient zu bearbeiten.

Außerdem beschäftigen wir uns mit Conversational AIs. Ein bekanntes Beispiel dafür wäre Siri oder Alexa, jedoch wollen wir komplexere Fragen beantworten können. Dazu wird natürliche Sprache verarbeitet und die Zusammenhänge in dieser auf Muster abgebildet. Diese Muster können dann genutzt werden, um Wissensgraphen zu traversieren und passende Antworten zu finden.

Des Weiteren beschäftigen wir uns seit fast einem Jahrzehnt mit Datenintegration. Dabei geht es um das Zusammenbringen von großen Datenmengen durch effiziente und effektive Methoden. Uns interessiert die Fragestellung, wie man komplexe Datenbestände so zusammenbringt, dass die Beantwortung von zunehmend komplexeren Fragen möglich wird. Durch die enorme Größe der Datensätze müssen wir zuerst Laufzeitprobleme lösen. Es geht aber auch darum, dass die Verknüpfungen zwischen den Daten stimmen. Dies sind letztendlich Probleme des maschinellen Lernens. Dort haben wir sehr viele neue Verfahren und Algorithmen entwickelt, um an dieses Problem heranzugehen. Wir konnten auch bestimmte theoretische Eigenschaften beweisen, die bis dahin nicht bewiesen wurden.

Was bedeutet so eine Auszeichnung für einen Wissenschaftler?

Man freut sich natürlich, da man Leib und Seele darin investiert seine Forschung so zu gestalten, dass man einen Einfluss, ergo Impact hat. Es ist schön zu sehen, dass man einen Einfluss gehabt hat, besonders wenn dies eine externe Entität bestätigt. Es ist gleichzeitig auch Ansporn, da man sein Qualitätsniveau beibehalten möchte, wenn nicht sogar noch verbessern.

Gibt es einen Meilenstein, den sie unbedingt noch erreichen möchten?
Ich würde gerne diese Idee der Kollaboration zwischen Maschinen und Menschen umgesetzt sehen. Maschinen können datengetrieben sehr viele Probleme angehen, die wir bisher nicht angehen konnten. Aber nach wie vor haben Menschen diese Intuition, wie sie Einstein nannte, inne und dies haben Maschinen nicht. Dieses Zusammenspiel von digitaler Intelligenz und menschlicher Intelligenz würde ich gerne nutzen, um relevante Probleme zu lösen, z.B. krebserregende Substanzen oder potenzielle Medikamente für Krankheiten vorhersagen können.

Hat sich ihre Arbeit zu Zeiten des Coronavirus geändert?

Ich habe den großen Vorteil Informatiker zu sein. Ich brauche also nur einen Laptop und dann bin ich glücklich. Mit Internetverbindung versteht sich. Forschungstechnisch hat sich dahingehend etwas verändert, dass man mehr digitale Termine hat. Inhaltlich hat sich aber nichts verändert. In der Lehre ist es eine Umstellung, da man digital weniger Feedback von den Studierenden bekommt und trotzdem auf die Bedürfnisse der Studierenden eingehen möchte. Vorlesungen müssen anders vorbereitet werden und den Studierenden muss wiederholt ermöglicht werden Feedback zu geben.

Die Universität der Informationsgesellschaft