Maschinen das Multitasking beibringen
Maschinelles Lernen ist das Lernen aus Computerprogrammen und das Erkennen von Gesetzmäßigkeiten, die es Computern (oder Maschinen) gestatten, Dinge zu tun und ihre eigene Leistung zu verbessern. Hierbei handelt es sich um einen Ansatz der künstlichen Intelligenz, der häufig verwendet wird, um Datensätze nach einzelnen Kategorien oder Kennzeichen zu klassifizieren. Bei vielen Aufgaben sind jedoch etliche Kennzeichnungsentscheidungen miteinander verknüpft und müssen gleichzeitig entschieden werden. Derartig komplexe Aufgaben bezeichnet man als strukturierte Vorhersagen. Bei der derzeit angewandten Methode des Umgangs mit diesen komplexen Aufgaben gibt es Probleme wie etwa die Fehlerfortpflanzung. Das Ziel des EU-finanzierten Jointstructuredpred-Projektes ("Machine learning methods for complex outputs and their application to natural language processing and computational biology") bestand darin, diese Einschränkungen zu überwinden. Innerhalb des Projekts schlug man eine Methode zum Umgang mit komplexen Aufgaben vor, die das Bewältigen der Teilaufgaben unter Nutzung von Multitask-Lerntechniken beinhaltete. Zum Vergleich dieses neuen Ansatzes und des bisher verwendeten wurde ein Softwareprogramm für beide Methoden zur strukturierten Vorhersage entwickelt. Eine Bewertung der beiden Verfahren unter Einbeziehung typischer Probleme der Bioinformatik ergab, dass das vorgeschlagene Verfahren die gegenwärtig übliche Methode in Bezug auf eine deutliche Verbesserung der Vorhersagegenauigkeit übertreffen konnte. Die Ergebnisse waren im Vergleich mit typischen Anwendungen in der Verarbeitung natürlicher Sprache ähnlich, aber nicht so deutlich hervortretend. Die Verarbeitung natürlicher Sprache ist ein computergestützter Ansatz zur Verarbeitung der menschlichen Sprache hinsichtlich ihres Sinngehalts, während die Bioinformatik Informatik und Molekularbiologie miteinander verbindet. Die Projektergebnisse zeigen nun, dass das vorgeschlagene Konzept zum Einsatz kommen kann, um das Ergebnis vieler Vorhersageprobleme aus einem breiten Spektrum von Disziplinen, so zum Beispiel Biologie, Medizin, Linguistik und Signalverarbeitung, zu verbessern.