Im Januar 2025 hat die Universität Bremen einen neuen Professor im Fachbereich Mathematik und Informatik willkommen geheißen: Martin Mundt, der nun die Expertise in lebenslangem maschinellen Lernen in die akademische Lehre und Forschung einbringt. Mundt hat an der Goethe-Universität Frankfurt promoviert, wo er sich auf maschinelles Lernen und künstliche Intelligenz spezialisiert hat. Zuvor tätig als Nachwuchsgruppenleiter am hessischen Zentrum für künstliche Intelligenz (hessian.AI) an der Technischen Universität Darmstadt, hat er dort seine Fähigkeiten als Vertretungsprofessor für Knowledge Engineering unter Beweis gestellt.
In seiner Forschung widmet sich Mundt der Umsetzung der Prinzipien des lebenslangen Lernens in maschinellen Lernverfahren. Ein zentrales Ziel ist es, KI-Systeme so zu entwickeln, dass sie, ähnlich dem menschlichen Gehirn, kontinuierlich lernen können, ohne relevantes Wissen zu verlieren. Diese Fähigkeit ist entscheidend, um neuen Situationen gewachsen zu sein und flexibel auf verschiedene Kontexte zu reagieren.
Fokus auf Anwendungsgebiete
Mundts Forschung zielt nicht nur auf theoretische Beiträge ab, sondern auch auf praxisnahe Lösungen für den Industriesektor sowie im Gesundheits- und Sozialwesen. Der Aspekt der technischen und sozialen Nachhaltigkeit von KI ist ein weiterer wichtiger Gesichtspunkt, der berücksichtigt wird, um maßgeschneiderte Anwendungen zu entwickeln. Dies steht in direktem Zusammenhang mit seiner Lehrtätigkeit, die inter- und transdisziplinäre Perspektiven integriert und Kognition mit Algorithmusgestaltung sowie deren Auswirkungen in Verbindung bringt.
Ein zentraler Begriff in Mundts Arbeit ist das lebenslange maschinelle Lernen (LML). Diese Forschungsrichtung innerhalb der KI zielt darauf ab, dass Systeme kontinuierlich lernen und ihr Wissen aus vergangenen Erfahrungen in neue Problemlösungen einfließen lassen. Dies steht im Gegensatz zu herkömmlichem maschinellen Lernen, wo ein Modell typischerweise in einer Lernphase erstellt und dann unverändert in der Anwendungsphase genutzt wird. LML hat das Potenzial, dass KI-Systeme aus wenigen Beispielen lernen und sich schnell an neue Herausforderungen anpassen können, was ihre Effizienz erheblich steigert.
Technische Rahmenbedingungen und Herausforderungen
Eine besondere Herausforderung im LML ist das sogenannte katastrophale Vergessen. Dabei geht es um den Balanceakt, neue Erkenntnisse zu integrieren, während bereits erlerntes Wissen erhalten bleibt. Mundt und andere Forscher suchen nach Wegen, diesen Kompromiss zu meistern, um KI-Systeme noch robuster zu gestalten.
Die Anwendungen von KI, die auf Methoden des maschinellen Lernens beruhen, sind vielfältig und reichen von selbstfahrenden Autos bis hin zu intelligenten Sprachassistenten. Neuronale Netze, die ein zentraler Bestandteil des maschinellen Lernens sind, ermöglichen es, komplexe Probleme durch Deep Learning zu lösen. Sie bestehen aus mehreren Schichten von Datenknoten, die durch gewichtete Verbindungen miteinander verknüpft sind und durch wiederholte Datenpräsentation trainiert werden. Diese Technologie bildet die Grundlage für viele moderne KI-Anwendungen und zeigt das große Potenzial, das im lebenslangen Lernen steckt.
Im Kontext dieser Entwicklungen ist Mundts Ansatz, durch praxisnahe Lehrformate und forschendes Lernen, sowohl Studierende als auch Unternehmen auf die Herausforderungen und Chancen einer sich ständig verändernden Technologielandschaft vorzubereiten.
Martin Mundts Eintritt an die Universität Bremen markiert einen bedeutsamen Schritt im Bereich der Forschung und Lehre des lebenslangen maschinellen Lernens, das zunehmend an Bedeutung gewinnt und in Zukunft in vielen KI-Systemen Anwendung finden dürfte. Mehr Informationen zu diesen Entwicklungen sind bei Fraunhofer Int und Fraunhofer IKS verfügbar.