Alexander Frummet ist seit 2018 Wissenschaftlicher Mitarbeiter am Lehrstuhl für Informationswissenschaft der Universität Regensburg. Nach seinem Studium der Allgemeinen und Vergleichenden Sprachwissenschaft und Informationswissenschaft an der Universität Regensburg (Abschluss: Bachelor of Arts) studierte Alexander Medieninformatik ebenfalls an der Universität Regensburg (Abschluss: Master of Science). Neben seinem Studium arbeitete er als Studentische und Wissenschaftliche Hilfskraft am Lehrstuhl für Informationswissenschaften. Seine Interessensgebiete in der Forschung sind „Conversational Search“ und „Natural Language Understanding“.
Lehrstuhl für Informationswissenschaft
Ich bin am Lehrstuhl für Informationswissenschaft (Institut für Information & Medien, Sprache & Kultur) tätig.
Bisher habe ich zum einen Grundlagenvorlesungen der IW/Medieninformatik gehalten (Daten effizient speichern und verarbeiten, Vertiefungsseminar IR, Fallstudienseminar), aber auch Kurse für den DH-Studiengang unterrichtet (z.B. Grundlagen in Python, Webtechnologien). Ein besonderer Schwerpunkt lässt sich hier nicht identifizieren, im DH-Master doziere aber hauptsächlich zu Entwicklungs-/Programmierthemen.
Im Kurs „Daten effizient speichern und verarbeiten“ lernt man u.a. wie man Daten richtig aufbereitet, um z.B. Redundanzen zu vermeiden. Darüber hinaus lernt man mittels SQL, wie man diese Daten abrufen kann. Python (DH-Masterkurs) ist ebenfalls eine wichtige Sprache, die für die Datenverarbeitung genutzt wird. In Webtechnologien lernt man schließlich, wie man Daten mit Hilfe von z.B. Django/Javascript/HTML visualisiert und für den Nutzer passend aufbereitet. Am meisten Bezug zu KI/ML lässt sich vermutlich mit Python herstellen. Diese Sprache ist wichtig im Zusammenhang mit Data Science und Machine Learning, da viele Machine Learning-Libraries (Keras, Tensorflow, Pytorch…) mit Python arbeiten.
Da meine Kurse Grundlagen bzw. „Werkzeuge“ an die Hand geben, mit denen man später Machine Learning/Data Science betreiben kann, muss ich nicht auf besonderes Vorwissen zurückgreifen.
Im Pythonkurs, bei dem ich gemeinsam mit Manuel Ullmann die Übung geleitet habe, lernt man z.B. einiges über Datenstrukturen und wie man Daten in das richtige Format bekommt, sodass sie von einem Klassifikator weiterverarbeitet werden können.
KI/Machine Learning und Data Science werden meiner Einschätzung nach in der Zukunft noch mehr als jetzt gefragte Kompetenzen auf dem Arbeitsmarkt sein. Oft heißt es „Daten sind das Öl des 21. Jahrhunderts.“ Mit der Fülle von Daten umgehen zu können, diese zu strukturieren und daraus vor allem die richtigen Entscheidungen ableiten zu können, stellt eine wichtige Fähigkeit dar.
In meiner Forschung beschäftige ich mich mit Conversational Search und der Frage, wie man es schafft, dass Systeme Nutzeräußerungen besser verstehen.
Bei der automatischen Erkennung von Informationsbedürfnissen in Nutzeräußerungen habe ich verschieden ML-Klassifikatoren verwendet.
Studiert habe ich Allgemeine und Vergleichende Sprachwissenschaft und Informationswissenschaft im Bachelor sowie Medieninformatik im Master. Durch Inhalte der Informationswissenschaft und Medieninformatik wurde ich an die Inhalte herangeführt, habe aber auch viel Selbststudium in diese Richtung betrieben.
Zu Beginn fiel es mir nicht so leicht, nachzuvollziehen wie bestimmte Algorithmen und neuronale Netze mathematisch funktionieren. Mit der Zeit wurde das aber immer klarer. Aus der Anwendungsperspektive gibt es einfach zu bedienende Bibliotheken wie Keras und Scikit. Damit fällt der Umgang besonders leicht.
Wenn Machine Learning funktioniert, wirkt es wie Magie. Dabei ist die Mathematik hinter der Funktionsweise der meisten Algorithmen relativ gut nachvollziehbar, was das Ganze noch bemerkenswerter macht.
Aktuell gibt es keine fächerübergreifenden Kooperationen.
KI-Methoden sollten als Mittel zum Zweck und Werkzeug betrachtet werden, unterschiedliche neue Fragestellungen beantworten zu können. ML-Methoden kann man in vielen Fächern anwenden, z.B. auch in den Geisteswissenschaften. Dadurch ergeben sich sicherlich viele interessante Forschungsfragen. Der DH-Studiengang zeigt das.
„Wissen schafft2 Daten“ ist ein wichtiges fakultätsübergreifendes Projekt. Es ist wichtig, dass Fächer auch über die Fakultätsgrenzen hinweg zusammenarbeiten. Mein Beitrag war bisher, mitzuhelfen, die Grundlagen der Datenanalyse und -verarbeitung zu legen. (siehe Python)
—
Herr Frummet, vielen Dank dass Sie sich Zeit genommen haben, uns diese Fragen zu beantworten. Wir wünschen Ihnen noch einen schönen Tag!