Das Maschinelle Lernen findet seinen Ursprung in der Kybernetik und Computerwissenschaft, ist ein Teilbereich der Künstlichen Intelligenz (KI) und einer der wichtigsten Technologiebausteine in den Datenwissenschaften. Die Datenwissenschaften (engl. Data Science) befassen sich mit Techniken und Theorien, wie verborgene Strukturen und implizites Wissen aus großen Datenmengen extrahiert werden können.
Das Bundesministerium für Bildung und Forschung (BMBF) hat beim Thema Maschinelles Lernen den Schwerpunkt auf die beständige Förderung von Software-Innovationen gelegt. In vielen Projekten wurden moderne Verfahren angewandt und bestehende Verfahren verbessert. So hat sich die Förderung des BMBF der vergangenen 20 Jahre als ein maßgeblicher Beitrag erwiesen, dass Deutschland heute eine der führenden Wissenschafts-Nationen im Bereich des Maschinellen Lernens ist. Der wissenschaftlich-technische Fortschritt in Hard- und Software schaffte in den letzten Jahren stetig verbesserte Grundlagen für neue und fortentwickelte Methoden des Maschinellen Lernens. Auf diesen Grundlagen haben sich neue Einsatzgebiete entwickelt.
Neue Anwendungen wie komplexe Sprachsteuerung, automatisierte Übersetzungen oder autonomes Fahren zeigen die technologischen und wirtschaftlichen Potenziale moderner maschineller Lernverfahren. Auf dem Weg zu weiteren, noch komplexeren und im internationalen Wettbewerb hochgradig relevanten Anwendungen zeigen sich allerdings auch die Grenzen im gegenwärtigen Stand der Wissenschaft und damit offene Forschungsfelder des Maschinellen Lernens.
Um in Deutschland die Spitzenforschung im Bereich des Maschinellen Lernens zukunftsfähig zu gestalten und neue Schwerpunkte zu setzen, hat das BMBF in einem ersten Schritt gemeinsam mit Experten aus Wissenschaft und Wirtschaft relevante Forschungsfelder identifiziert, bei denen sich konkrete Herausforderungen für die Forschung zeigen. So besteht z. B. die Herausforderung bei autonomen Systemen darin, dass das für die Umgebungserkennung wichtige Maschinelle Lernen durch deterministische und für Haftungsfälle nachvollziehbare und erklärungsfähige Kontroll- und Regelsysteme überwacht werden muss. Weitere Herausforderungen sind der Mangel an qualitativ akzeptablen Daten für Maschinelles Lernen in vielen Praxisgebieten sowie der zu schnelle Wandel von Alltagsumgebungen, der die Sammlung der nötigen minimalen Menge an Beispieldaten verhindert. Die Bewertung der Datenqualität bei der Zusammenstellung von Trainingsdaten ist ein weiteres Forschungsfeld. Schon dieser kleine Ausschnitt zeigt den Bedarf an Forschungsarbeiten zum Maschinellen Lernen für den Alltagsgebrauch in neuen Anwendungsfeldern.
Die Lösung der genannten Problembereiche ist von großer strategischer Bedeutung für die deutsche Wirtschaft insbesondere in der Automobilbranche, der Logistikbranche, der Finanzwirtschaft und in der Medizin. Das BMBF wird durch verschiedene Fördermaßnahmen Forscher und Entwickler in Themengebieten wie deterministisches Verhalten, Übertragbarkeit von Wissen, Erklärbarkeit der Lösung, Abschätzung der Fehlerwahrscheinlichkeit einer Vorhersage, Robustheit von ML-Verfahren und Steigerung der Effizienz des Maschinellen Lernens gezielt unterstützen. Von den Fördermaßnahmen des BMBF werden im Besonderen kleine und mittlere Unternehmen (KMU) profitieren, da die Aus- und Weiterbildung von Fachkräften sowie anwendungsnahe vorwettbewerbliche Entwicklung gefördert werden sollen.
