11/23/2020

Von Canberra nach Tübingen: Robert C. Williamson übernimmt Professur für "Foundations of Machine Learning Systems"

Prof. Dr. Robert C. Williamson ist einer der Pioniere auf dem Gebiet des maschinellen Lernens, und seine Arbeit und sein Engagement haben einen enormen Einfluss auf das Feld gehabt. Nachdem er die meiste Zeit seines Lebens an der Australian National University in Canberra, Australien, gearbeitet hat, hat er nun das Angebot für eine Professur in Tübingen angenommen und wird demnächst nach dorthin umsiedeln.

Im Frühjahr 2021 wird er seine Tätigkeit als Professor für "Foundations of Machine Learning Systems" an der Eberhard Karls Universität Tübingen aufnehmen. Die W3-Professur wird unterstützt durch unseren Exzellenzcluster "Maschinelles Lernen: Neue Perspektiven für die Wissenschaft".

"Wir sind absolut begeistert und wirklich stolz, dass Bob Williamson nach Tübingen wechselt", sagt Ulrike von Luxburg, Sprecherin des Clusters. "Er ist einer der scharfsinnigsten Gesprächspartner, die ich je getroffen habe. Seine Art, unschuldig wirkende Fragen zu stellen, hat meinen Zugang zur Wissenschaft geprägt.“

In seiner Forschung konzentriert sich Williamson darauf, maschinelle Lernsysteme als Ganzes zu verstehen und zu konzipieren. " Die überwiegende Mehrheit der Forschung auf dem Gebiet des maschinellen Lernens ist auf die Entwicklung neuer Algorithmen zur Lösung bestimmter technischer Probleme ausgerichtet", erklärt er. "Ich interessiere mich dafür, wie man über das Verhalten solcher Systeme auf einer höheren Ebene nachdenken kann".

Datenqualität und Fairness
Er untersucht auch die herausfordernden Probleme, die sich daraus ergeben, dass maschinelles Lernen in sozio-technische Systeme eingebettet wird - also in Systeme, in denen technische und menschliche Komponenten zusammenwirken und miteinander in Wechselwirkung stehen. "Diese Probleme werden zur Zeit relativ wenig untersucht und verstanden", sagt Williamson. Ihre sozialen Auswirkungen können jedoch groß sein. Deshalb beschäftigt er sich zum Beispiel mit Datenqualität und mit ethischen Themen wie Fairness.

Beim maschinellen Lernen ist die Verwendung von "Convenience"-Daten - Daten, die möglicherweise für andere Zwecke erhoben wurden - weit verbreitet. "Diese Daten sind selten perfekt", sagt Williamson. Die Theorien, die bei der Verwendung solch unvollkommener Daten Orientierung bieten, sind zur Zeit jedoch immer noch begrenzt. "Solche Theorien scheinen unerlässlich zu sein, um Technologien des maschinellen Lernens noch breiter in bestehende sozio-technische Systeme einzubetten", erklärt er.

Da Systeme des maschinellen Lernens zunehmend dazu verwendet werden, Entscheidungen zu treffen, die Menschen direkt betreffen (zum Beispiel bei der Vergabe von Krediten durch Banken oder der Auswahl von Studierenden durch Universitäten), können hier ethische Probleme auftreten. Algorithmische Entscheidungen können unfair sein und eine Gruppe gegenüber anderen privilegieren. "Ich interessiere mich auch für die Entwicklung grundlegender Grenzen von Fairness", sagt Williamson. Er hat bereits gezeigt, wie grundlegende Aushandlungsprozesse zwischen Fairness und Nützlichkeit in einer bestimmten Konstellation aussehen können. Darüber hinaus glaubt er, dass es möglich sein wird, die Informationstheorie zu nutzen, um ausgefeiltere Ergebnisse zu entwickeln, die bei derartigen Fragen Orientierung bieten und die Grenzen des Möglichen aufzeigen werden. 

Von Canberra nach Tübingen
Robert Williamson hat bereits starke Verbindungen zur Tübinger Forschungs-Community im Bereich maschinelles Lernen. Er war nicht nur Mitglied des Wissenschaftlichen Beirats unseres Exzellenzclusters und ist daher mit dessen Arbeit und Fortschritten vertraut; er kennt auch viele der Forschenden in Tübingen und Stuttgart seit langem und hat mit einigen von ihnen wissenschaftliche Artikel geschrieben. "Tübingen ist meiner Ansicht nach der beste Ort in Europa und ich glaube sogar, jetzt auch weltweit, für die Art von Forschung im Bereich des maschinellen Lernens, die ich machen möchte", sagt er. "Es ist erstaunlich, wie viele Talente es dort gibt und wie breit der Standort aufgestellt ist."

Weitere Informationen unter "Foundations of Machine Learning"

Back