„In der Praxis liefert Künstliche Intelligenz häufig verblüffende Ergebnisse und vereinfacht viele Arbeitsprozesse signifikant. Doch wie können wir sicherstellen, dass Entscheidungen und Ergebnisse von KI-Prozessen nachvollziehbar und verlässlich sind? Meine Forschung beschäftigt sich genau mit dieser Frage“, erklärt Kassing.
Im Zentrum steht dabei die präzise Quantifizierung von Unsicherheiten in datengetriebenen Modellen:
- Wie zuverlässig sind Vorhersagen neuronaler Netze?
- Wie lassen sich Unsicherheiten verständlich darstellen und in Entscheidungen einbeziehen?
- Welche Trainingsmethoden und Architekturen führen zu stabilen und generalisierungsfähigen Modellen?
Um diese Fragen zu beantworten, verbindet Kassing Methoden aus Stochastik, Analysis, Geometrie und Optimierung. Ziel seiner Arbeit ist es, maschinelles Lernen aus der Black-Box-Ecke herauszuführen und eine mathematische Grundlage für nachvollziehbare und verantwortungsvolle KI-Anwendungen zu schaffen – mit Relevanz für Bereiche wie Medizin, Mobilität, Wirtschaft und Industrie. »red«
Zur Person: Prof. Dr. Sebastian Kassing (Stochastik und maschinelles Lernen)
Sebastian Kassing kommt von der Technischen Universität Berlin, wo er zuletzt eine Nachwuchsgruppe zur Stochastischen Analysis und Quantitativen Finanzmathematik leitete. Zuvor forschte er unter anderem als Postdoktorand an der Universität Bielefeld. Seine Promotion absolvierte der 30-Jährige an der Universität Münster mit einer Arbeit zur stochastischen Approximation mit Fokus auf Anwendungen im maschinellen Lernen.
- Mehr unter: stochastik.uni-wuppertal.de
