Suche
  • Anna

Woman of the Month September 2020: Sophia Saller

Aktualisiert: Jan 17




Sophia hat in Oxford Mathematik studiert und anschließend, ebenfalls in Mathematik, promoviert. Seit einigen Monaten arbeitet sie nun am Deutschen Forschungszentrum für künstliche Intelligenz und gibt uns im Folgenden einen interessanten Einblick in ihre Arbeit und ihren Werdegang.

[Anna] Kannst du uns deine Tätigkeiten im Bereich KI beschreiben?

[Sophia] Ich bin noch relativ neu im Bereich KI. Im März habe ich angefangen am Deutschen Forschungszentrum für Künstliche Intelligenz zu arbeiten. Davor habe ich in Mathematik promoviert, in der reinen Mathematik, das hatte noch gar nichts mit Computer Science zu tun. Aber ich finde den Bereich Künstliche Intelligenz extrem spannend und interessant und es gibt momentan so viele Fortschritte in dem Bereich. Künstliche Intelligenz hat das Potenzial das Leben der Menschen zu vereinfachen und zu verbessern. Das ist auch einer der Gründe warum mich Künstliche Intelligenz so interessiert. Ich lerne zur Zeit jeden Tag sehr viel dazu. Meine Chefin ist Professorin und ich habe bei der Aufbereitung der KI-Vorlesung an der Universität des Saarlandes mitgeholfen. Dadurch habe ich zu Beginn meiner Tätigkeit am DFKI erst einmal einen sehr guten Überblick darüber erhalten, was KI überhaupt ist und wie vielseitig es ist. Ich glaube der „normale“ Mensch hat zwar schon viel über KI gehört, aber weiß doch auch nicht wirklich, was alles dazu gehört – viele denken einfach direkt an intelligente Roboter. Die gehören zwar auch dazu, sind aber nur ein kleiner Teil davon, was KI wirklich ist.

Wir, also mein Forschungsbereich, sind hauptsächlich im Constraint Programming und Constraint Optimization aktiv und versuchen Reinforcement Learning Methoden mit Constraint Optimization Methoden zu verbinden. Constraint Optimization bedeutet, dass man ein Optimierungsproblem dessen Dynamik man versteht, zusammen mit bestimmten Randbedingungen – den Constraints – gegeben hat. Man versucht nun möglichst effizient die beste Lösung zu finden. Dazu ein Beispiel: Stellt man sich vor in einer Fabrik werden Toaster hergestellt. Es gibt verschieden Varianten an Toastern und jeder Toaster hat fünf Arbeitsschritte, in denen er an fünf Maschinen gefertigt wird und für jeden Arbeitsschritt muss ein Arbeiter vor Ort sein. Je nach der Toaster-Variante brauchen die Arbeitsschritte verschieden lang. Die Arbeiter in der Werkstatt brauchen einige Sekunden (je nach Entfernung) um von einer Maschine an eine andere zu gehen. Die Firma erhält nun eine Bestellung von 10 Toastern verschiedener Varianten und drei Arbeiter sind vor Ort um diese zu produzieren. Ein Constraint Optimization Problem wäre jetzt zum Beispiel das Folgende: In welcher Reihenfolge müssen die Arbeiter die Arbeitsschritte ausüben sodass die Bestellung möglichst schnell produziert wird. Constraint Optimization beginnt dabei bei jeder Instanz, also bei jeder Bestellung, „von Null“, und berechnet die optimale Lösung.

Reinforcement Learning versucht ebenfalls Probleme möglichst effizient zu lösen, allerdings auf eine ganz andere Art als Constraint Optimization. Reinforcement Learning imitiert im Endeffekt das Lernen eines Kindes. Man gibt eine Situation oder ein Problem vor, und der Reinforcement Learning Agent versucht nach und nach zufällige Aktionen bis er in einem Endzustand ankommt. Ein typisches Beispiel wäre ein Schach-Spiel. Falls der Agent im Endzustand das Schach-Spiel gewonnen hat, erhält er einen positiven „Reward“. Falls er das Schach-Spiel allerdings verloren hat, bekommt er einen negativen „Reward“. Im nächsten Spiel versucht der Reinforcement Learning Agent dann die Aktionen, die ihm einen positiven Reward gebracht haben, öfters zu nehmen und die, die ihm einen negativen Reward gegeben haben, zu vermeiden. Im Deep Reinforcement Learning wird dann ein neuronales Netz verwendet in dem der RL Agent speichert welche Aktionen gut und nicht so gut waren. Das ist jetzt sehr grob erklärt, was Reinforcement Learning ist. In den letzten Jahren sind im Reinforcement Learning extreme Fortschritte gemacht worden, aber es ist immer noch recht neu.r

Unser Ziel ist es, Reinforcement Learning und Constraint Optimization/Programming zu verbinden, weil Constraint Optimization/Programming wie gesagt bei „null“ anfängt und die optimale Lösung findet und Reinforcement Learning eben genau im Gegenteil versucht zu lernen wie man zu einer guten Lösung (die vielleicht nicht optimal ist) kommt. Wir wollen also die Erfahrung eines Reinforcement Learners mit der optimalen (aber zeitaufwendigeren) Lösungsfindung des Constraint Optimizers/Programmings kombinieren.

[Anna] Gab es ein ausschlaggebendes Ereignis, einen Schlüsselmoment, weshalb du dich entschieden hast im Bereich KI zu arbeiten?

[Sophia] Ich war bis letztes Jahr neben meinem Studium Leistungssportlerin und ab 2014 bis letztes Jahr in der deutschen Triathlon-Nationalmannschaft. Auch im deutschen Sport passiert es leider oft noch, dass vieles durch Erfahrung („wie es halt schon seit 20 Jahren gemacht wird“) entschieden wird, anstatt Daten und Mathematik/Informatik zu verwenden um im Training und Wettkampf richtige Entscheidungen zu treffen. Man sieht aber mit der Zeit, dass man doch von den eigenen Fehlern datenbasiert lernen muss und man müsste über die Zeit das Training eigentlich optimieren können (wenn nur genug Daten gesammelt werden). Ich war etwas enttäuscht, wie wenig im Training und Wettkampf aus dem mathematischen-/ statistischen-/ KI-Bereich dahinter steckt. Daher kam das ursprüngliche Interesse für die KI, das sich dann nach und nach natürlich auch sehr über den Sport hinaus ausgebreitet hat.

[Anna] Du hast jetzt schon ein bisschen aus deinem Lebenslauf erzählt, kannst du uns deinen Werdegang noch einmal beschreiben?

[Sophia] Ich bin in München geboren und auch in Deutschland aufgewachsen. Mit 14 Jahren bin ich mit meiner Familie nach England gezogen, wegen der Arbeit von meinem Vater. Dort bin ich auf die deutsche Schule gegangen und habe mit 17 mein Abitur gemacht. Ich habe dann beschlossen für mein Studium zunächst in England zu bleiben und habe mich an englischen Universitäten beworben. Obwohl ich eigentlich nicht damit gerechnet hatte, wurde ich von der University of Oxford angenommen und habe dort Mathematik studiert, zunächst den Bachelor und dann im Master. Im Anschluss habe ich – ebenfalls in Oxford – promoviert. Daneben habe ich seit 2011 leistungssportlich Triathlon gemacht und war seit 2014 Mitglied in der deutschen Nationalmannschaft – und das auch sehr erfolgreich, z.B. als Vize-Europameisterin und U23 Weltmeisterin. Ende 2019 habe ich mit dem Triathlon aufgehört, weil ich viel Pech mit Verletzungen hatte und auch mit meinem Studium fertig war. Zudem hatte ich auch wirklich Lust, endlich wieder mehr Zeit für „Gehirn-Tätigkeiten“ zu haben und bin nun im KI-Bereich gelandet.

[Anna] Woher kommt dieses besondere Interesse für Mathe?

[Sophia] Es war schon immer ein bisschen da, es ist eigentlich mehr das logische Denken als die Mathematik per se. Ich merke auch jetzt in der Arbeit, dass ich durch mein Mathe Studium einen extremen Vorteil habe. In der Mathematik muss immer alles zu 100% stimmen. Auch ein Mathematik PhD ist besonders. In der Mathematik kann man nicht einfach Experimente machen und dann die Ergebnisse analysieren, sondern man muss etwas beweisen, was zuvor noch niemand geschafft hat zu beweisen. In der Mathematik hat man keine Messgeräte zur Hilfe, sondern es geht nur um den eigenen Kopf. Das war am Anfang schon recht beängstigend, aber am Ende auch um so mehr erfüllend als es dann geklappt hat.

Ich erinnere mich, dass in der ersten Klasse ein Schulfreund seiner Mama erzählte, dass ich doch so gut in Mathe sei. Sie hat es dann meiner Mama erzählt und die hat es mir erzählt und seitdem weiß ich, dass ich nicht so schlecht in Mathe bin. Seitdem war es auch immer mein Lieblingsfach. Ich habe immer gerne viel Zeit damit verbracht. Es war nicht so, dass ich mich lange für irgendwelche Schulaufgaben vorbereiten musste, aber es hat mir einfach immer so viel Spaß gemacht, dass ich mich trotzdem stundenlang mit dem Stoff beschäftigt habe.

[Anna] Was motiviert dich an deiner Tätigkeit?

[Sophia] Es ist auf der einen Seite das logische Denken, Zusammenhänge zu sehen, die vielleicht vorher niemand gesehen hat. Das High eines Mathematikers ist es, wenn man es schafft, etwas Neues zu beweisen oder einen neuen Zusammenhang sieht der einem lange Zeit versteckt geblieben ist. Stundenlang arbeitet man an einem Problem ohne Erfolg und plötzlich macht es Klick und alles läuft wunderbar. Aber auf der anderen Seite sehe ich – das war auch einer der Gründe, warum ich Richtung KI „abgewandert“ bin – dass in der reinen Mathematik, in der ich promoviert habe auch oft einfach die Anwendung fehlt. Ich sage immer, dass ich während der Promotion den Sport hatte, der mir den Bezug zur Realität gegeben hat, und jetzt suche ich diesen Bezug etwas direkter durch die KI. Was mich daran auch sehr motiviert ist, wie viel Potenzial es gibt, um Menschen zu helfen, beispielsweise im medizinischen Bereich,.

[Anna] Was möchtest du anderen Frauen mitteilen, die sich für KI interessieren und überlegen, sich beruflich in diese Richtung zu entwickeln?

[Sophia] Mathematik ist ja nicht anders als KI in Bezug auf die Frauenquote. Ich bin zurzeit sogar in einem reinen Frauenteam, was glaube ich in der Informatik nicht oft vorkommt. Wir sind noch relativ klein, wir sind zu viert, aber alles Frauen. Das war auch komplett neu für mich. Während meines gesamten Studiums war ich eine von wenigen Frauen. Ich habe bei mir in Oxford im College auch unterrichtet und war dort die einzige Frau, die Mathematik unterrichtet hat. Man härtet mit der Zeit auch ein bisschen ab. Man darf da einfach nicht mit Angst reingehen. Was ich so auch im Unterrichten von Mathematik gelernt habe – und das ist in der KI nicht anders – Frauen, sehen immer gerne die Dinge, die sie schlecht gemacht haben; Männer sehen dagegen vermehrt die Sachen, die sie gut gemacht haben. Wenn ich ein Problem Sheet von meinen Studierenden korrigiert habe und dann mich mit ihnen zusammengesetzt habe, musste man den Frauen sagen, „das war doch echt gut“ und den Männern musste man eher sagen „an diesen Stellen müsst ihr noch aufpassen“.

Und zweitens muss man besonders in der Mathematik und anderen logischen Fächern die Sturheit und das Selbstvertrauen haben, dass man es irgendwie schafft ein Problem zu lösen. In der Mathematik kann man stundenlang an irgendetwas sitzen und man kommt nicht voran und irgendwann funktioniert es dann. Aber wenn man mit der Einstellung „das ist eh zu schwer, das schaffe ich nicht“ an das Problem geht, dann stimmt das auch. Und das ist natürlich etwas, wo der Geschlechterunterschied in Mathematik und KI nicht gerade hilft. Aber da müssen die Frauen ein bisschen mehr Selbstbewusstsein mitbringen. Die Männer sind nicht klüger als wir, und das schaffen wir schon. Es hilft natürlich nicht, dass das Image von Computer Science und Mathematik eher Richtung „Nerd“ die keine sozialen Kompetenzen mitbringen geht.

[Anna] Was müsste sich deiner Meinung nach in der Branche ändern, damit mehr Frauen motiviert sind darin zu arbeiten? Es gibt vielleicht diejenigen, die es überlegen, aber sich nicht trauen. Aber es gibt ja vor allem viele Frauen, die gar nicht erst auf die Idee kommen, in diese Branche zu gehen. Hast du diesbezüglich Ideen oder Kritikpunkte? Kannst du dir diese extreme Ungleichverteilung der Geschlechter erklären und hast du Vorschläge, wie man diese reduzieren könnte?

[Sophia] Ich glaube, auf der einen Seite ist es ein Problem, dass man auch heutzutage noch von klein auf von Stereotypen umgeben ist. Ich habe auch von Freunden schon von einem Mathematik Lehrer gehört, der wirklich den Mädchen teilweise gesagt hat „Mädchen können eben keine Mathematik“ und ihnen dann schlechtere mündliche Noten gegeben hat. Natürlich ist das ein Einzelfall und natürlich ist das sehr extrem – aber das darf so einfach nicht passieren. Das „Mädchen können kein Mathe“ ist immer noch bei vielen im Unterbewusstsein. Das stimmt aber einfach nicht. Die zwei besten Schüler in Mathematik bei mir an der Schule waren ein anderes Mädchen und ich. Oft liegt das Problem aber auch im Schritt von der Schule zum Studium. Ich habe mich auch ehrlicherweise gefragt, ob Mathematik nicht vielleicht zu „nerdy“ für mich ist. In meinem Studium wurde ich dann zum Glück vom Gegenteil überrascht. Aber das ist einfach ein Image-Problem, und ich glaube, da muss man auch einfach wirklich – zum Beispiel durch einen Blog wie diesen – die Realität ein bisschen mehr zeigen. Es gibt erfolgreiche Frauen in der Mathematik und der KI, und es gibt sehr viele davon – nicht genug – aber es gibt sehr viele. Aber auch dadurch, dass es einfach im Vergleich zu den Männern noch so wenige sind, gehen Sie alle zu oft leider ein bisschen unter und fehlen den jüngeren Frauen als Vorbilder, zu denen sie aufschauen können und sagen können „Das ist cool, das will ich auch machen. Ich will so sein wie sie“. Besonders in der KI ist es eigentlich extrem wichtig diese Diversity zu haben, weil KI immer etwas biased ist und wenn nur Männer forschen, dann ist dieser Bias leider zu oft in Richtung Mann.

Auf der anderen Seite liegt ein Problem darin, wie Mathematik und KI unterrichtet werden. Das kommt wohl daher, dass so viele Professoren Männer sind und unterrichten wie sie – als Mann – gerne unterrichtet worden wären. Frauen brauchen aber teilweise andere Anstöße, andere Motivation, als Männer. Ich glaube es ist auch wichtig, in dem Bereich etwas anzugreifen.


[Anna] Vielen Dank Sophia für das spannende Interview!

 
  • LinkedIn - Schwarzer Kreis
  • Twitter

©2020 Neurona.