Internet Explorer wird nicht unterstützt

Bitte verwenden Sie einen alternativen Browser, um unsere Website vollständig nutzen zu können.

Alexander von Humboldt-Professur für Künstliche Intelligenz 2022

Suvrit Sra

Wenn Mathematik auf KI und Optimierung auf Maschinelles Lernen trifft: Wie kein anderer hat der Mathematiker Suvrit Sra mit seinen grundlegenden Arbeiten zu Methoden der Optimierung zum theoretischen Verständnis und zur Weiterentwicklung von lernenden Systemen beigetragen. Mit der Humboldt-Professur für Künstliche Intelligenz möchte die Technische Universität München (TUM) ihre Spitzenposition im Feld der Künstlichen Intelligenz weiter ausbauen.

  • Nominierende Universität: Technische Universität München
Porträt von Suvrit Sra
Saturn-ähnliches Dekortationsbild

Kontakt

Presse, Kommunikation und Marketing
Tel.: +49 228 833-144
Fax: +49 228 833-441
presse[at]avh.de

Mathematik und Maschinelles Lernen

Im Mathematikunterricht lernt man, die Tief- und Hochpunkte linearer Funktionen auszurechnen. Dabei handelt es sich um ein sehr einfaches Problem aus dem Bereich der Optimierung. Schwieriger wird es, wenn gleich mehrere Parameter bestimmt werden müssen, durch die das beste Ergebnis in Bezug auf eine bestimmte Aufgabe gefunden werden soll, etwa wenn es in der Wirtschaft um ideale Preise für die Gewinnmaximierung oder um die beste Lage für ein Logistikzentrum geht.

Optimierungsverfahren von sehr viel komplexerer Natur sind von zentraler Bedeutung für das Maschinelle Lernen (ML). Damit selbstfahrende Autos in der Lage sind, zwischen Menschen und Verkehrsschildern zu unterscheiden oder ein Computer Musik komponiert, die wie Chopin oder Beethoven klingt, muss ein KI-Modell erstellt und mit Daten „trainiert“ werden. Durch stete Optimierung von Zielfunktionen und Algorithmen „lernt“ das Modell. So ist das Modell irgendwann in der Lage, riesige Mengen an Daten zu verarbeiten, Muster und Gesetzmäßigkeiten zu gewinnen und im Idealfall auch korrekte Aussagen über unbekannte Daten zu machen. Um das Modell an neue Daten anzupassen, müssen immer wieder Optimierungsprobleme gelöst werden.

Suvrit Sra hat mit seinen grundlegenden methodischen Arbeiten zu unterschiedlichen Optimierungsproblemen zu den großen Fortschritten der letzten Jahre auf dem Gebiet des Maschinellen Lernens beigetragen. Er gehört zu den treibenden Kräften der Zusammenarbeit von Mathematiker*innen und Spezialist*innen für Maschinelles Lernen, von der beide Bereiche profitieren.

In München soll Suvrit Sra als Professor für „Resource Aware Machine Learning“ mit seiner Methodenkompetenz die Grundlagenforschung des Maschinellen Lernens an der TUM stärken, die deutschlandweit bereits eine Spitzenposition auf dem Gebiet der Künstlichen Intelligenz einnimmt. Fachliche Schwerpunkte seiner Humboldt-Professur für Künstliche Intelligenz sollen insbesondere die Robustheit, Verlässlichkeit und Ressourceneffizienz von ML sein. Vorgesehen ist zudem die Kooperation zwischen Suvrit Sra und der Informatikerin Stefanie Jegelka, die ebenfalls für eine Humboldt-Professur 2022 an der TUM ausgewählt wurde. Von dieser Kooperation verspricht sich die TUM zusätzlich eine nachhaltige Prägung auf die ML-Forschung für Deutschland.

Suvrit Sra wurde für die Humboldt-Professur ausgewählt und ist derzeit in Berufungsverhandlungen mit der deutschen Universität, die ihn für den Preis nominiert hat. Werden diese erfolgreich abgeschlossen, wird der Preis 2022 verliehen.

Zur Person

Professor Dr. Suvrit Sra, geboren in Indien, wurde 2007 an der University of Texas, Austin, USA, promoviert. Anschließend forschte er in Tübingen am Max-Planck-Institut für Intelligente Systeme. Seit 2015 ist er am Massachusetts Institute of Technology (MIT) in den USA tätig, wo er die Optimization for Machine Learning Group gründete und 2019 zum Associate Professor aufstieg. Außerdem ist er Mitglied verschiedener Forschungsgruppen und Institute am MIT, darunter das Laboratory for Information and Decision Systems (LIDS) und das Institute of Data, Systems, and Society (IDSS). In den letzten Jahren wurde er u.a. mit dem NSF-BIGDATA Award, dem Amazon Research Award und dem NSF-CAREER Award ausgezeichnet.