Erfolg im Wettbewerb um KI-Professuren

Im Wettbewerb des Freistaates Bayern um neue Professuren für das Themenfeld Künstliche Intelligenz hat die KU mit ihrem Antrag punkten können: Sie erhält eine neue „Professur für Mathematik – Reliable Machine Learning“. Die Professuren werden unbefristet eingerichtet und vom Freistaat Bayern im Rahmen der Hightech Agenda Bayern finanziert. Insgesamt 175 Bewerbungen hatten die Hochschulen und Universitäten aus ganz Bayern im Wettbewerb um 50 zu vergebenden Professuren eingereicht. Die heute bekannt gegebene Entscheidung über die Vergabe fiel in einem wissenschaftsgeleiteten Wettbewerbsverfahren: Eine 18-köpfige Experten-kommission hochkarätiger Wissenschaftlerinnen und Wissenschaftler unter Vorsitz des langjährigen Präsidenten der Deutschen Forschungsgemeinschaft (DFG) und international erfahrenen Verfahrens- und Wettbewerbsexperten Prof. Dr. Peter Strohschneider wertete die Anträge aus und gab eine Förderempfehlung nach wissenschaftsgeleiteten Gesichtspunkten. Mit den im Wettbewerb vergebenen Professuren soll ein landesweites, thematisch fokussiertes Netzwerk in der KI-Forschung aufgespannt werden, um Bayern als führenden KI-Standort weiter auszubauen.

„Wir sind sehr stolz, dass wir mit diesem Antrag überzeugen konnten – zumal für die Ausarbeitung im Verbund mit weiteren Universitäten und Hochschulen nur wenige Wochen Zeit zur Verfügung stand. Die KU lässt sich von einem christlichen Verständnis des Menschen leiten, so dass wir für eine am Menschen orientierte digitale Gesellschaft eintreten wollen. Die nun bewilligte Professur ermöglicht es uns, die Forschung in diesem Bereich weiter voranzutreiben“, betont KU-Präsidentin Prof. Dr. Gabriele Gien. Der Zuschlag für die KU im aktuellen Wettbewerbsverfahren reiht sich ein in weitere Erfolge der jüngsten Zeit: Zum Herbst dieses Jahres wird KU in Ingolstadt ein Institut für Angewandte Mathematik, Maschinelles Lernen und Data Science einrichten. Die Stadt Ingolstadt unterstützt die Gründung durch die Finanzierung von drei Stiftungslehrstühlen über fünf Jahre hinweg. Außerdem gelang es der KU bereits im vergangenen Herbst, im Bund-Länder-Programm zur Förderung des wissenschaftlichen Nachwuchses 2019 insgesamt sieben Tenure-Track-Professuren einzuwerben. Die ersten davon werden derzeit ausgeschrieben und demnächst besetzt. Darüber hinaus ist die KU in enger Kooperation mit der Technischen Hochschule Ingolstadt und regionalen Partnern aus Industrie und Wirtschaft am Aufbau des neuen Ingolstädter Zentrums für Künstliche Intelligenz, des Artificial Intelligence Network Ingolstadt gGmbH (AININ), beteiligt.

Die KU hat ihren erfolgreichen Antrag im Verbund mit weiteren Partnern zum übergreifenden Themenfeld „Resource Aware Artificial Intelligence for Future Technologies“ gestellt, in denen Konzepte für mehrere Professuren eng miteinander verknüpft werden. Beteiligt an dem Verbund sind neben der KU die Friedrich-Alexander-Universität Erlangen-Nürnberg, die TU München und die Universität Bayreuth. Zentrales Thema der nun bewilligten „Professur für Mathematik – Reliable Machine Learning“ bildet die Zuverlässigkeit von sogenannten Neuronale Netzen, wie sie etwa bereits in der automatischen Bildverarbeitung oder der medizinischen Diagnostik zum Einsatz kommen. Denn in der praktischen Anwendung von KI gibt es zwar hervorragende Resultate, diese sind jedoch noch nicht durch die mathematisch-analytische Grundlagenforschung erklärbar und abgesichert. Gleichzeitig wachsen die Anforderungen an KI-Anwendungen etwa im Hinblick auf Leistung, Sicherheit, Nachhaltigkeit und ethisch-rechtlicher Unbedenklichkeit. In enger Zusammenarbeit mit Forschern und Firmen aus den Bereichen Robotik, Medizintechnik und Mobilität wird deshalb im Rahmen des Verbundes die Entwicklung neuartiger Verfahren für vielfältige Einsatzmöglichkeiten vorangetrieben, deren Leistungsfähigkeit auch mit begrenzten Ressourcen hoch genug ist, um nachweislich richtige und robuste Resultate zu liefern. Ziel der Professur ist es, Erfolgsgarantien für die Neuronalen Netze der Zukunft zu schaffen, deren Einsatz weder immense Mengen an Trainingsdaten benötigt, um die Neuronalen Netze anzulernen, noch einen unnötig hohen Energieverbrauch erfordert.