Menü

Wirbel um Reproduzierbarkeitskrise durch KI

Immer mehr Forschungsergebnisse lassen sich nicht verifizieren. Das könnte auch am breiten Einsatz von maschinellem Lernen liegen, meint eine Forscherin.

Lesezeit: 1 Min.
In Pocket speichern
vorlesen Druckansicht Kommentare lesen 63 Beiträge

(Bild: Photo by Franki Chamaki on Unsplash)

Von

Seit mehreren Jahren gibt es in der Forschung immer wieder Aufruhr um die sogenannte Reproducibility Crisis, also die Tatsache, dass sich erstaunlich viele wissenschaftliche Versuche nicht nachvollziehen lassen. Genevera Allen von der Rice University im texanischen Houston, Gründungsdirektorin des Center for Transforming Data to Knowledge, hat nun eine mögliche Erklärung ins Spiel gebracht: Die zunehmende Verwendung von KI-Systemen auf Basis von maschinellem Lernen (ML), berichtet Technology Review in seiner Online-Ausgabe ("Maschinelles Lernen: Das Problem der Nachvollziehbarkeit").

TR-Wettbewerb

Technology Review sucht junge Vordenker, die neue Wege gehen und mit ihren Ideen die Zukunft prägen. Ausgezeichnet werden konkrete Projekte aus allen Technologiebereichen. Einsendeschluss: 1. April 2018.

mehr anzeigen

Der Grund: Immer mehr wissenschaftliche Erkenntnisse basieren auf riesigen Datensätzen, deren Auswertung ML ungeheuer erleichtert. Selbstlernende Algorithmen finden Dinge, die weder Menschen noch früher verwendeter Software aufgefallen wären.

Mehr zum Thema "Maschinelles Lernen"

mehr anzeigen

Mit ihrer Aussage sorgte Allen weltweit für Schlagzeilen. Sie hatte auch eine Warnung parat: Die Antworten, auf die maschinelles Lernen kommt, müssen nicht korrekt sein, weil darüber Muster in großen Datensätzen auch dann erkannt werden, wenn sie nur in den Daten stecken und nicht in dem, was die Daten eigentlich in der Wirklichkeit repräsentieren.

Mittlerweile ruderten Allen und Rice allerdings wieder etwas zurück. In einem öffentlichen Frage-und-Antwort-Posting betont die Forscherin nun, sie sei von der Resonanz überrascht gewesen. Sie habe einfach ausführen wollen, dass es ein grundlegendes Problem von ML zur wissenschaftlichen Erkenntnisgewinnung gebe und neue Forschungsmethoden aufzeigen wollen, wie es zu lösen ist. Sie selbst sei keine Expertin für die Reproducibility Crisis, entwickele aber neue Werkzeuge, die Forschern helfen sollen, datengetriebene Erkenntnisse zu gewinnen, die reproduzierbar sind.

Mehr dazu bei Technology Review Online:

(bsc)