Künstliche Intelligenz ist schon jetzt nicht mehr aus unserem Leben wegzudenken. Ihr Einfluss auf die Wissenschaften ist enorm. Die Vortragsreihe diskutiert die aktuellsten Entwicklungen in den jeweiligen Fachdisziplinen und ist Teil des gleichnamigen CAS-Schwerpunktes "Next Generation AI" unter Sprecherschaft von Prof. Dr. Gitta Kutyniok (LMU). | Barbara Plank ist Professorin für KI und Computerlinguistik an der LMU. | Mario Haim ist Professor für Kommunikationswissenschaften mit Fokus auf computergestützte Kommunikationsforschung an der LMU. | Uli Köppen leitet das AI und Automation Lab des BR. | Hinrich Schütze ist Professor für Computerlinguistik und Direktor des Centrums für Informations- und Sprachverarbeitung an der LMU.

Künstliche Intelligenz ist schon jetzt nicht mehr aus unserem Leben wegzudenken. Ihr Einfluss auf die Wissenschaften ist enorm. Die Vortragsreihe diskutiert die aktuellsten Entwicklungen in den jeweiligen Fachdisziplinen und ist Teil des gleichnamigen CAS-Schwerpunktes "Next Generation AI" unter Sprecherschaft von Prof. Dr. Gitta Kutyniok (LMU). | Nils B. Weidmann ist Professor für Politikwissenschaft und Co-Sprecher des Exzellenzclusters „The Politics of Inequality” an der Universität Konstanz. Derzeit ist er Fellow am CAS

Künstliche Intelligenz ist schon jetzt nicht mehr aus unserem Leben wegzudenken. Ihr Einfluss auf die Wissenschaften ist enorm. Die Vortragsreihe diskutiert die aktuellsten Entwicklungen in den jeweiligen Fachdisziplinen und ist Teil des gleichnamigen CAS-Schwerpunktes "Next Generation AI" unter Sprecherschaft von Prof. Dr. Gitta Kutyniok (LMU). | Daniel Gruen ist Professor für Astrophysik, Kosmologie und KI an der LMU | Lukas Heinrich ist Professor für Data Science in Physik an der TUM | Kevin Heng ist Professor für theoretische Astrophysik extrasolarer Planeten an der LMU | Jenny Sorce ist Postdoc am Institut d'Astrophysique Spatiale (IAS) der Université Paris-Saclay und derzeit Fellow am CAS.

Data Science (DS) algorithms interpret outcomes of empirical experiments with random influences. Often, such algorithms are cascaded to long processing pipelines especially in biomedical applications. The validation of such pipelines poses an open question since data compression of the input should preserve as much information as possible to distinguish between possible outputs. Starting with a minimum description length argument for model selection Joachim Buhmann motivates a localization criterion as a lower bound that achieves information theoretical optimality for sufficient statistics. Uncertainty in the input causes a rate distortion tradeoff in the output when the DS algorithm is adapted by learning. Joachim Buhmann presents design choices for algorithm selection and sketches a theory of validation.

Karl-Peter Hopfner ist Professor für Biochemie am Genzentrum der LMU mit dem Fokus auf Strukturbiologie. | Julia Merlot ist Redakteurin im Wissenschaftsressort des SPIEGEL. | Alexander Pritzel ist wissenschaftlicher Mitarbeiter bei DeepMind und Mitentwickler des AlphaFold Programms

Statistical decisions are often given meaning in the context of other decisions, particularly when there are scarce resources to be shared. Managing such sharing is one of the classical goals of microeconomics, and it is given new relevance in the modern setting of large, humanfocused datasets, and in data-analytic contexts such as classifiers and recommendation systems. Michael Jordan will discuss several recent projects that aim to explore the interface between machine learning and microeconomics, including the study of explorationexploitation trade-offs for bandit learning algorithms that compete over a scarce resource, leader/follower dynamics in strategic classification, and the robust learning of optimal auctions.