Ausbildung der nächsten Generation von ML/AI-Ingenieuren

In einer aktuellen Folge des Augmented Ops Podcasts haben wir uns mit Dr. Jay Lee, dem Direktor des Industrial AI Center an der University of Maryland, eingehend mit angewandter KI und der Rolle der Bildung beschäftigt. Unter dem Titel"Rethinking Our Approach to AI"(Überdenken wir unseren Ansatz für KI) erörtert das Gespräch mit Dr. Lee den Wert, den machine learning und KI für den Einsatz an vorderster Front bringen können, und wie sich unsere Bildungsprogramme anpassen müssen, um die nächste Generation von KI- und ML-Ingenieuren auszubilden.

Mit seiner umfangreichen Erfahrung in der Industrie, der Regierung und der akademischen Welt erklärt Dr. Lee, wie man die Tools von machine learning einsetzt, um Probleme in der realen Welt zu lösen, und was mit unserem derzeitigen Ansatz in der KI/ML-Ausbildung falsch läuft. Er unterstreicht die Notwendigkeit neuer Ausbildungsprogramme - wie das, das er am Industrial AI Center der UMD aufbaut -, um die Menge an Ingenieuren auszubilden, die notwendig ist, um die wachsende Nachfrage in der Fertigungsindustrie zu decken.

Dr. Lee stellt einen Rahmen für die Wertschöpfung mit KI vor, indem er sie zur Lösung echter betrieblicher Probleme einsetzt. Dieser besteht aus drei Facetten: Technologie, Tools und Talent. Erstens dient die Technologie als Grundlage für eine KI/ML-Lösung. In dem Maße, wie die verfügbaren machine learning Technologien und Techniken verfeinert und neue entwickelt werden, können sie neue Wege zur Lösung von Problemen erschließen oder alte Methoden effizienter machen. So hat beispielsweise die Entwicklung von Transformationsmodellen (erstmals 2017 vorgeschlagen) erhebliche Leistungssteigerungen bei der Verarbeitung natürlicher Sprache (NLP) und anderen Aufgaben ermöglicht.

Als Nächstes brauchen Sie Tools, die es den Menschen ermöglichen, die Technologie zu nutzen und Probleme mit dieser Technologie zu lösen. So gab es zwar eine Reihe von Technologien für NLP-Aufgaben (wie z.B. die Transformatorenmodelle GPT-1, 2 und 3 von OpenAI), aber sie wurden von der Öffentlichkeit nicht in großem Umfang angenommen. Nur einmal OpenAI ChatGPT - das eine intuitive Schnittstelle für die Interaktion mit diesen bestehenden Modellen bot - war es möglich, diese Technologie in die Hände der breiten Masse zu bringen und sie in großem Umfang zu nutzen.

Und schließlich brauchen Sie Talente, die in der Lage sind, die Vorteile dieser Tools zu nutzen und sie zur Lösung ihrer Probleme einzusetzen. Wie Dr. Lee erklärt, "ist die größte Herausforderung bei der KI nicht die Technologie, sondern das Talent." Obwohl ChatGPT heute weithin zugänglich ist, erfordert es spezifische Talente in Form von Prompt-Engineering und dem Verständnis, wie das zugrundeliegende Modell funktioniert, um das Tool möglichst effektiv nutzen zu können. Dr. Lee argumentiert jedoch, dass unsere derzeitigen Bildungsparadigmen nicht darauf ausgerichtet sind, die Entwicklung der Talente zu unterstützen, die notwendig sind, um den Bedarf an ML/AI-Ingenieuren zu decken.

Dr. Lee erklärt weiter, wie jeder zu einem effektiven ML/AI-Ingenieur ausgebildet werden kann, und legt seine Vision dar, wie ein Lehrplan aufgebaut sein sollte, um dies zu erreichen. Sein Ansatz basiert auf vier Schritten: prinzipien-, praxis-, projekt- und berufsbezogenes Lernen.

Das prinzipienbasierte Lernen ist der erste und grundlegendste Schritt, bei dem die Studenten die Kernkonzepte von machine learning und KI lernen. Dies kann entweder im Selbststudium geschehen oder durch die Teilnahme an einem Kurs, in dem diese Grundlagen vermittelt werden.

Als nächstes folgt das praxisorientierte Lernen. Wie Dr. Lee erklärt, stellt er seinen Studenten reale Datensätze zur Verfügung, die im Laufe vieler Jahre in der gesamten Branche gesammelt wurden, um eine realistische Umgebung zu schaffen, in der sie ihre Fähigkeiten verbessern können. Laut Dr. Lee ist diese Phase "die wichtigste". In dieser praxisorientierten Studienphase sollen die Studenten die Konzepte anwenden, die sie zuvor gelernt haben, um die in den Daten dargestellten Probleme zu lösen. Da das betreffende Problem bereits gelöst wurde, dienen diese Datensätze als Maßstab für die Leistung der Studenten.

Dann kommt das projektbasierte Lernen. Wie Dr. Lee erklärt, geht es dabei darum, dass die Studenten in eine "reale Produktionsumgebung" gehen und Daten sammeln, um ihre eigenen Datensätze zu erstellen, an denen sie ihre Fähigkeiten testen können. Sobald die Studenten ihre Fähigkeit unter Beweis gestellt haben, reale Probleme in der Werkstatt mit dem Gelernten zu lösen, können sie zum letzten Schritt übergehen.

Professionelles Lernen ist die letzte Phase auf dem Weg zum KI/ML-Experten. Wenn Sie sie erfolgreich durchlaufen, bedeutet dies, dass Sie die Konzepte und Tools, die die Studenten bis zu diesem Zeitpunkt entwickelt haben, wirklich beherrschen. In dieser letzten Phase geht es darum, andere Studenten durch die ersten drei Schritte zu führen und als deren Lehrer zu fungieren. "Sie müssen in der Lage sein, wie ein [Lean Six Sigma] Master Black Belt zu sein", erklärt Dr. Lee.

Um die schnell wachsende Nachfrage der Industrie zu befriedigen, stellt Dr. Lee jedoch klar, dass diese Bildungsanstrengungen in großem Umfang durchgeführt werden müssen. "Das ist unser Ziel: 10.000 Ingenieure in 10 Jahren auszubilden", erklärt er. Um dieses Ziel zu erreichen, legt Dr. Lee drei Grundpfeiler seiner Strategie fest: die Ausbildung von Ingenieuren in großem Umfang, schnell und systematisch.

Für Dr. Lee ist der Maßstab entscheidend. "Sie wollen in großem Maßstab ausbilden", erklärt er, "nicht eine [Person], sondern 1.000, 10.000." Ohne eine solche Größenordnung besteht die Gefahr, dass wir nicht genügend qualifizierte Kandidaten haben, um den Bedarf der Industrie zu decken, insbesondere angesichts der zunehmenden Konzentration auf die heimische Produktion. Genauso wichtig für den Erfolg dieser Bemühungen ist die Geschwindigkeit, mit der sie durchgeführt werden. "Man kann KI nicht einfach ad hoc lernen", argumentiert Dr. Lee, "man muss KI entwickeln, testen und in zwei Tagen implementieren." Dieses schnelle Lernmodell stellt sicher, dass die Studenten schnell mit den aktuellen Technologien und Methoden vertraut gemacht werden, so dass sie in viel kürzerer Zeit als traditionell erforderlich arbeitsfähig sind.

Die systematische Durchführung der Schulung ist auch der Schlüssel zum Erfolg seiner Strategie. Die traditionelle ML/AI-Ausbildung wird durch die Tatsache erschwert, dass die von den Studenten verwendeten Modelle nicht immer übereinstimmen. Das bedeutet, dass ein Student vielleicht ein Problem in einer bestimmten Situation erkennt, ein anderer Student, der genau das gleiche Modell verwendet, jedoch nicht. Das hat zur Folge, dass die Leistung der Schüler schwieriger genau zu beurteilen ist. Dr. Lee erklärt, dass "man einen konsistenten Weg finden muss, um Entscheidungen zu treffen", damit man systematisch beurteilen kann, wie gut die Studenten arbeiten. Er ist überzeugt, dass die Hochschulen mit diesen drei Prinzipien in der Lage sein werden, erfolgreich die Menge an Ingenieuren auszubilden, die die Fertigungsindustrie benötigt.