Menü

KI: MIT-Forscher stellen probabilistisches Programmiersystem Gen vor

Das neue KI-System soll nicht nur den Einstieg erleichtern, sondern auch Experten beim Erstellen ausgefeilter Modelle und Inferenzalgorithmen unterstützen.

Lesezeit: 1 Min.
In Pocket speichern
vorlesen Druckansicht Kommentare lesen 24 Beiträge

(Bild: Chelsea Turner, MIT)

Von

Eine Forschergruppe des Massachusetts Institute of Technology (MIT) hat ein neues System für probabilistische Programmierung vorgestellt, das Einsteigern wie auch KI-Experten gleichermaßen zugutekommen soll. Das Projekt Gen soll über die Möglichkeiten von Deep Learning hinausgehen und neue Wege eröffnen, Modelle und Algorithmen für den Einsatz von KI-Techniken in Bereichen wie Computer Vision, Robotik und Statistik zu entwickeln.

Ein wesentliches Anliegen der vorgelegten Forschungsarbeit sei es, automatisierte KI auch Menschen mit geringeren Fachkenntnissen in Informatik oder Mathematik zugänglich zu machen, erklärt Marco Cusumano-Towner vom Department of Electrical Engineering and Computer Science, einer der beteiligten Autoren aus dem Probabilistic Computing Project.

Gen baut dazu auf einem früheren MIT-Projekt zu einem Werkzeug auf, das automatisch statistische Modelle für die Analyse von Rohdaten erstellen soll. Ziel der Forschungsarbeit ist es, Nutzer in die Lage zu versetzen, mit nur wenigen Zeilen Code und ohne tiefgreifende mathematische Kenntnisse, Einblicke in Trends wie die Entwicklung von Finanzmärkten, Wahlergebnisse oder die Ausbreitung von Krankheiten zu gewinnen.

Open-Source-Werkzeuge wie das von Google 2015 lancierte ML-Framework TensorFlow verfolgen die gleiche Zielrichtung, beschränken sich häufig aber auf Deep-Learning-Modelle, die sich zwar ebenfalls automatisieren lassen, aber nur begrenzte Einsatzmöglichkeiten bieten und zudem aufwendig und teuer sind. Gen ist demgegenüber generalistischer angelegt und strebt die Kombination von Automatisierung, Flexibilität und Geschwindigkeit an. In der probabilistischen KI führen Inferenzalgorithmen Operationen mit Daten durch und passen Wahrscheinlichkeiten basierend auf neuen Daten kontinuierlich an, um Vorhersagen zu treffen. Auf diese Weise entsteht schließlich ein Modell, das beschreibt, wie man Vorhersagen über neue Daten macht.

Vergleich von Gen mit Standardarchitekturen zur probabilistischen Programmierung.

(Bild:  Cusumano-Towner, Saad, Lew, Mansinghka 2019)

Gen erweist sich den Forschern zufolge auch gegenüber anderen probabilistischen Programmiersystemen im Vorteil, wenn es beispielsweise um Probleme wie die Objektverfolgung, die Vorhersage der 3D-Körperhaltung aus einem Tiefenbild oder die Ableitung der Struktur einer Zeitreihe geht. Für die erste Implementierung des Gen-Ansatzes greifen die Autoren auf die ebenfalls am MIT entwickelte Programmiersprache Julia zurück. Als Host Language für Gen vereinfacht Julia die Modellentwicklung, indem sich verschiedene interoperable Modeling Languages integrieren lassen – etwa die Dynamic Modeling Language (DML), die Static Modeling Language (SML) sowie die TensorFlow Modeling Language (TML).

Gen bietet darüber hinaus eine High-Level-Infrastruktur für Inferenzaufgaben, die verschiedene Ansätze wie Optimierung, Variationsinferenz, bestimmte probabilistische Methoden und Deep Learning bietet. Es kommt in verschiedenen Bereichen der KI-Forschung bereits zum Einsatz und wird zumindest in Teilen vom IBM Watson AI Lab und dem DARPA-Projekt des US-Verteidigungsministeriums unterstützt, bei dem es darum geht, den "gesunden" Menschenverstand eines 18 Monate alten Kleinkinds in einer Maschine nach zu modellieren. Der Sourcecode von Gen liegt öffentlich zugänglich im GitHub-Repository des MIT-Projekts. (map)