Warum KI-Modelle in der Praxis oft versagen und Interdisziplinarität gefordert ist
Künstliche Intelligenz ermöglicht es, große Datenmengen auszuwerten und Zusammenhänge zu bemerken, die dem Menschen verborgen bleiben. Diese Daten können zum Beispiel aus Zellproben stammen, die – wie hier im Bild – mittels Massenspektrometrie auf molekularer Ebene näher bestimmt werden. Foto und (c): Astrid Eckert, TUM
Künstliche Intelligenz (KI), die auf maschinellem Lernen basiert, bietet Chancen für die Lebenswissenschaften. In der Praxis zeigen sich aber immer wieder Probleme. Eine Ursache hierfür ist data leakage, also der unerwünschte Transfer von Informationen zwischen Trainings- und Testdaten. Forschende der Technischen Universität München (TUM), der Hochschule Weihenstephan-Triesdorf (HSWT) und weiterer Forschungseinrichtungen plädieren nun in einem Leitfaden für mehr interdisziplinäre Zusammenarbeit. Im Gespräch erklären Dominik Grimm, Professor für Bioinformatik, und Markus List, Professor für Data Science in Systems Biology, warum es wichtig ist, dieses Problem in den Lebenswissenschaften jetzt engagiert anzugehen.
Quelle: TUM