Künstliche Intelligenz schlägt erneut menschliche Experten

Direktzugriff

Artikelaktionen

Ein lehrstuhlübergreifendes Team der Gruppen Maschinelles Lernen für automatisches Algorithmendesign (Dr. Frank Hutter) und Maschinelles Lernen (Dr. Joschka Boedeker) hat die Expertenphase des Wettbewerbs Automatic Machine Learning (AutoML) gewonnen. Dieser Wettbewerb zielt auf die Entwicklung automatischer Verfahren zur Untersuchung von Datensätzen aller Arten (z.B. aus der medizinischen Diagnostik, Spracherkennung, und Objekterkennung). Traditionell ist die Untersuchung solcher Datensätze durch Experten des maschinellen Lernens ein langwieriger manueller Prozess. In diesem Wettbewerb geht es nun darum, diesen Prozess zu automatisieren und schnellstmöglich gute Vorhersagen zu machen.

In den drei vorherigen Phasen des Wettbewerbs (Beginner, Fortgeschrittene, Erfahrene) hatte das Team vom IIF bereits über 150 Teams menschlicher Experten geschlagen, und nun erzielte es in der Expertenphase sowohl den 1. Platz im direkten Vergleich mit menschlichen Experten als auch den 1. Platz im vollautomatisierten Wettbewerb und gewann somit 3.000 Dollar Preisgeld. Zum ersten Mal gewann das Team auch auf einem Datensatz mit seinem "Auto-Net" Ansatz, einer automatischen Methode, um performante tiefe neuronale Netze zu erstellen.

Maschinelles Lernen, und insbesodere tiefes Lernen, wird in unserer heutigen Informationsgesellschaft immer gefragter und die Nachfrage nach Experten übersteigt bei weitem die Ausbildungskapazitäten der Universitäten. Dass die künstliche Intelligenz des IIF-Teams nun wiederholt in unabhängigen Wettbewerben gegen ebensolche menschliche Experten gewann kann also weitreichende Konsequenzen haben.

Das IIF Team ist teilweise durch das Excellenzcluster BrainLinks-BrainTools finanziert, in welchem maschinelles Lernen zur Dekodierung von Gehirnströmen eingesetzt wird -- z.B. zur Früherkennung epileptischer Anfälle oder zur Steuerung intelligenter Prothesen. Ein Ziel des Teams ist es, die Konstruktion dieser Modelle zu automatisieren, damit in der Zukunft individualisierte Modelle für jeden Patienten gelernt werden können.

Einen wissenschaftlichen Artikel zu seinen Verfahren stellte das IIF Team auf der weltweit führenden Konferenz im maschinellen Lernen Neural Information Processing Systems vor. Diesen Artikel finden sie hier: http://papers.nips.cc/paper/5872-efficient-and-robust-automated-machine-learning.pdf
Das System des Teams ist online verfügbar und ermöglicht selbst Laien die effektive Benutzung von maschinellem Lernen: https://github.com/automl/auto-sklearn

Mehr Infos zum AutoML Wettbewerb finden Sie hier: http://automl.chalearn.org/

Fußzeile

Benutzerspezifische Werkzeuge