Mit internationalen Partnern haben wir das Paradigma der probabilistischen Numerik entwickelt, welches mathematisches Rechnen selbst als einen Lern (bzw. Inferenz-) prozess beschreibt. Auf der algorithmischen Ebene erfordert maschinelles Lernen anspruchsvolle numerische Berechnungen. Aber diese numerischen Berechnungen sind selbst auch wieder Inferenzprobleme einer elementareren Form. Numerische Algorithmen - Verfahren zur Optimierung, Integration, linearen Algebra usw. - können als autonome Lernagenten verstanden, beschrieben und analysiert werden. Zu den Vorteilen dieser Beschreibung gehört, dass sie die rechnerische Unsicherheit zu einem integralen Teil des Prozesses macht. Dies ist wichtig, weil die Berechnung großer Daten typischerweise extrem ungenau und stochastisch ist.

Unsere Gruppe hat mehrere Softwarepakete entwickelt, die Anwendern neuartige Funktionen für das maschinelle Lernen liefern. Obwohl sich der Software-Stack von maschinellem Lernen und Datenanalyse in den letzten Jahren schnell und drastisch verbessert hat, bleiben viele methodische Herausforderungen bestehen. Die Toolchain muss gleichzeitig einfacher und von einer größeren Nutzergruppe einsetzbar, aber auch flexibler werden. Und sie muss ihren derzeit höchst ineffizienten Verbrauch von Rechenressourcen für Lernen und Inferenz drastisch reduzieren. Mit unseren Algorithmen wollen wir den Werkzeugkasten der ML-Forscher um maßgeschneiderte Funktionalität erweitern. In einigen Fällen hat unsere Arbeit den Weg in größere Open-Source-Softwarepakete von Drittanbietern gefunden, die von einer großen Zahl an ML-Entwicklern genutzt werden.