Beim Thema maschinelles Lernen fehlt es nicht an Assoziationen: Bilderkennung auf Smartphones, personalisierte Playlists von Musik-Streamingdiensten oder Vervollständigungsvorschläge von Whatsapp-Nachrichten. Viele dieser Prozesse würden aber nicht ohne die Methodik funktionieren, die dafür im Hintergrund läuft.

Cornelia Ferner arbeitet am Institut für Informationstechnik und Systemmanagement an der Fachhochschule Salzburg. Obwohl sie ursprünglich aus der Mechatronik kommt, ist ihre Arbeit nur indirekt mit Robotern oder Maschinen verbunden. Denn nichts funktioniere ohne Software oder intelligente Algorithmen, sagt sie.

Autorenanalyse und Auswertung von Tweets

Ihr Fokus liegt dabei auf einem Prozess, der sich "natural language processing" nennt. Viele Texte enthalten unstrukturierte Daten, also solche, die man nicht einfach in einer Excel-Tabelle darstellen kann. Stattdessen will man dem System beibringen, selbst Informationen aus dem Inhalt zu holen, erzählt Ferner: "Wir können zum Beispiel Modelle trainieren, die lernen, aus den vorkommenden Wörtern auf den Autor rückzuschließen."

Bei ihrem Dissertationsprojekt, das nächsten Jänner starten soll, ist eine solche Autorenanalyse jedoch nicht notwendig. Hier analysiert Ferner gemeinsam mit dem Geoinformatikzentrum der Universität Salzburg Twitter-Daten, bei denen die Urheber schon ersichtlich sind.

Das Ziel ist dabei, Tweets über Katastrophenfälle auszuwerten: "Auf Twitter sind Daten in Echtzeit vorhanden. Bei Naturkatastrophen kann das eine wertvolle Informationsquelle sein." Gerade bei Erdbeben kann es lange dauern, bis offizielle Daten ausgewertet sind und man weiß, wo sich das Epizentrum befindet. Weil aber viele Menschen währenddessen auf Social Media über Erfahrungen und Schäden sprechen, könne man so sehen, welche Regionen wie betroffen sind, um in weiterer Folge Rettungskräfte besser zu koordinieren.

Stimmungsbilder

Mit dieser Methode werden aber nicht nur Twitter-Daten ausgewertet. Auch Stimmungsbilder können abgelesen werden wie etwa bei einem Vorgängerprojekt über Energietarife in österreichischen Haushalten. Gemeinsam mit Kollegen, die im Energiesektor forschen, stellte Ferner eine Verbindung zwischen Auswirkungen von Stromnetzwerktarifen auf das Einkommen her. Ihre Ergebnisse schafften es so auch ins Fachblatt "Nature Energy".

Selbst wenn derartige Projekte auf den ersten Blick nicht viel mit ihrer Doktorarbeit gemeinsam zu haben scheinen, spricht Ferner von einem wichtigen gemeinsamen Nenner: "Im Bereich Data-Science sind die Algorithmen, die man verwendet, eigentlich immer die gleichen. Die Inhalte, die man reinsteckt, sind dem Algorithmus egal." So lande sie immer wieder in unterschiedlichen Anwendungsbereichen, Experten könnten dann ihre Ergebnisse auswerten.

Ihr IT-Interesse vertieft sie in ihrer Forschung und vermittelt es durch Lehraufträge an der FH Salzburg. In ihrer Freizeit setzt die Salzburgerin aber auf analoge Vorlieben und beweist einmal mehr, dass mathematisches und musikalisches Denken oft zusammenhängen: Denn hier gilt ihre volle Aufmerksamkeit der Klarinette. (Katharina Kropshofer, 17.8.2018)