053 — Data Science und Machine Learning, Hype und Realität — Teil 1

In dieser Episode ist wieder Dr. Lukas Lang zu Gast. Wir sprechen
über Data Science und Machine Learninig (auch »artificial
intelligence« genannt). Das ist ein Themenbereich, der sehr viel
Potential für unsere Zukunft hat, aber wie alle diese
Themenbereiche auch eine Menge an Gefahren, Herausforderungen und
Hypes generiert.


Lukas ist ein perfekter Gesprächspartner für dieses Thema, weil
er sowohl in der Spitzenforschung tätig war als auch in der
industriellen Praxis mit diesen Themen beschäftigt ist. Diese
Mischung scheint mir bei komplexen technischen Fragestellungen
und Problemen sehr nützlich zu sein.


Lukas hat nach seinem Studium der Informatik eine Promotion im
Spezialgebiet Computational Science gemacht. Anschließend war er
mehrere Jahre in der universitären Forschung im Bereich der
mathematischen Bild- und Datenanalyse tätig, zuletzt an der
Universität Cambridge. Seine Arbeit hat Anwendungen in der
medizinischen Bildgebung, in der Molekular- und Zellbiologie, und
in der Computer Vision.


Derzeit leitet er den Geschäftsbereich »Data Science and AI«
eines Spin-Offs des internationalen Industriekonzerns
Voestalpine. Sein Team arbeitet an der Umsetzung von
Daten-Projekten in der Erzeugung und Verarbeitung von
Spezialmetallen, und am Aufbau eines globalen Data Science
Programms für die Produktionsstandorte.


Wir haben dieses umfangreiche Thema in zwei Episoden aufgeteilt:


In der ersten Episode beginnen wir das Thema Data Science
einzuführen, auch anhand einiger Beispiele, beginnend mit
historischen Beispielen sowie Anwendungsfällen der heutigen Zeit.
Wir spannen dabei den Bogen von Tycho Brahe und Florence
Nightingale bis zu modernen Sprachassistenten und
Entscheidungsunterstützung im Militär und zivilen Bereich.


Dann gibt Lukas einen Überblick über wesentliche Prinzipien und
Begriffe, die in diesem Zusammenhang immer wieder auftreten, wie
Datascience, die Rolle der klassischen Statistik, Modellierung,
Visualisierung, EDA, AI, KI, machine learning, multivariate
statistik, Datenqualität und vieles mehr. 


Wir sprechen dann über die These die seit einiger Zeit im Raum
steht, dass man dank Daten und »AI« ja keine Modelle, keine
Theorie mehr benötigt — The End of Theory —, sondern einfach aus
Daten lernt und das wäre hinreichend für die wissenschaftliche
Betrachtung der Welt.


Wir diskutieren dann Möglichkeiten, Geschäftsmodelle und Grenzen
von Machine Learning und Data Science. Wer trifft heute überhaupt
Entscheidungen und was ist die Rolle und Funktion eines Data
Scientists? Sollten Menschen immer das letzt Wort bei
wesentlichen Entscheidungen haben? Ist das überhaupt (noch)
realistisch? Welche Rolle spielen regulatorische Maßnahmen wie
das aktuelle EU-Framework?


In der zweiten Episode werden wir darauf aufbauend die Frage
stellen, wie viel der aktuellen Behauptungen in diesem Feld
Realität und wie viel Hype ist. Was können wir in der Zukunft zu
erwarten — sowohl im positiven wie auch im negativen? Was sind
dominierende Forschungsfragen und wo Grenzen liegen, unerwartete
Effekte auftreten, und welche ethischen Fragen durch diese neuen
Möglichkeiten zu diskutieren.


xkcd Cartoon


Konkret gibt es das Spannungsfeld zwischen Datensparsamkeit und
der Idee alles zu sammeln, weil wir das irgendwie in der Zukunft
für uns nutzen können. Aber will der Data Scientists überhaupt in
Daten untergehen? Führen mehr Daten zu besseren Entscheidungen?


Wir diskutieren wieder anhand konkreter Beispiele für gute und
problematische Anwendungen wie predictiver Policing, Mapping und
»KI« für militärische Dronenpiloten.


Welche individuelle Verantwortung leiten wir daraus für Techniker
ab? Wie geht Lukas selbst mit diesen Herausforderungen um? 


Referenzen


Lukas Lang


Persönliche Webseite von Lukas



Andere Episoden


Episode 40: Software Nachhaltigkeit, ein Gespräch mit
Philipp Reisinger

Episode 37: Probleme und Lösungen

Episode 32: Überleben in der Datenflut – oder: warum das Buch
wichtiger ist als je zuvor

Episode 31: Software in der modernen Gesellschaft – Gespräch
mit Tom Konrad

Episode 25:Entscheiden unter Unsicherheit

Episode 19: Offene Systeme – Teil 1 und Episode 20, Teil
2

Episode 6: Messen, was messbar ist?



Fachliche Referenzen


Adhikari, DeNero, Jordan, Interleaving Computational and
Inferential Thinking: Data Science for Undergraduates at Berkeley

Melanie Mitchell, Artificial Intelligence: A Guide for
Thinking Humans (2020)

Michael I. Jordan, The revolution hasn’t happened yet

Hannah Fry, What data can’t do

Peter Coy, Goodhart’s Law Rules the Modern World. Here Are
Nine Examples 

Roberts et al., Common pitfalls and recommendations for using
machine learning to detect and prognosticate for COVID-19 using
chest radiographs and CT scans 

Antun et al., On instabilities of deep learning in image
reconstruction and the potential costs of AI

Use of AI in breast cancer detection: 94% of AI systems
evaluated in these studies were less accurate than a single
radiologist, and all were less accurate than consensus of two or
more radiologists

Lukas Lang, What is Data Science?

Seth Stephens-Davidowitz, Everybody Lies

Evgeny Morozov, To Save Everything, Click here (2014)

Meredith Broussard, Artificial Unintelligence (2018)

Cathy O‘Neill, Weapons of Maths destruction (2017)

Richard David Precht, Künstliche Intelligenz und der Sinn des
Lebens (2020)

Jerry Z Muller, The Tyrrany of Metrics (2018)

Joseph Weizenbaum, Computermacht und Gesellschaft (2001)

Margaret Heffernan, Uncharted: How to Map the Future (2021)

Edward Snowden, Permanent Record (2019)

Shoshanna Zuboff, Surveillance Capitalism (2019)

Hartmut Rosa, Unverfügbarkeit (2020)

Duncan J Watts, Everything is obvious, once you know the
answer (2011)

Gerd Gigerenzer, Klick: Wie wir in einer digitalen Welt die
Kontrolle behalten und die richtigen Entscheidungen treffen - Vom
Autor des Bestsellers »Bauchentscheidungen« (2021)

Byung-Chul Han, Im Schwarm, Ansichten des Digitalen (2015)

Marinanne Bellotti, A.I. is solving the wrong problem

Hannah Fry, Hello World: How to be Human in the Age of
Algorithms (2018)

Hannah Fry, What Statistics Can and Can't Tell Us About
Ourselves, The New Yorker (2019)

David Spiegelhalter, The Art of Statistics: Learning from
Statistics (2020)

James, Witten, Hastie & Tibshirani. Introduction to
Statistical Learning (2021)

The end of theory: The data deluge makes the scientific
method obsolete. Wired 6/2008

Rutherford and Fry on Living with AI: The Biggest Event in
Human History

Deep Mind, The Podcast

David Donoho, 50 Years of Data Science, Journal of
Computational and Graphical Statistics (2017)

Stuart Russel and Peter Norving, Artificial Intelligence, A
Modern Approach, Berkely Textbook (2021)

Michael Roberts et al, Common pitfalls and recommendations
for using machine learning to detect and prognosticate for
COVID-19 using chest radiographs and CT scans, Nature Machine
Intelligence (2021)

Neil Thompson, Deep Learning's Diminishing Returns, The Cost
of Improvement Is Becoming Unsustainable, IEEE Spectrum (2021)