Neuer Professor für das CAIDAS

11/02/2021

Ingo Scholtes leitet ab sofort den neu eingerichteten Informatik-Lehrstuhl „Machine Learning for Complex Networks“ an der Uni Würzburg. Der neue Professor wird damit das Würzburger CAIDAS verstärken.

Ingo Scholtes ist neuer Professor für Machine Learning for Complex Networks an der JMU. (Image: privat)

Künstliche Intelligenz (KI) und Data Science sind die Schlüsselmethoden unseres Jahrhunderts. Hier werden Daten nicht nur digital gespeichert, übertragen, verknüpft und verarbeitet, sondern dank KI auch Muster erkannt, dank derer Entscheidungen datengestützt und automatisiert getroffen werden können. An der Julius-Maximilians-Universität (JMU) Würzburg bündelt das vor Kurzem eingerichtete Center for Artificial Intelligence and Data Science (CAIDAS) Forschung und Lehre zu diesen Themen. Und das CAIDAS erhält nun Unterstützung: Mit Ingo Scholtes übernimmt ab sofort ein renommierter Fachmann den Lehrstuhl für Informatik XV (Machine Learning for Complex Networks) der JMU.

Der 41-Jährige Scholtes studierte Informatik mit Nebenfach Mathematik an der Universität Trier. Besonders gereizt habe ihn an der Informatik, dass er als Informatiker eng mit anderen wissenschaftlichen Disziplinen zusammenarbeiten kann.

Am eigenen Leib hat Scholtes dies bereits während seines Studiums im Rahmen seiner Tätigkeit als Softwareentwickler für den ATLAS Detektor am europäischen Kernforschungszentrum CERN in der Schweiz erfahren, wo er eng mit Physikerinnen und Physikern zusammenarbeitete. Zudem hat er viele Jahre in einer interdisziplinären Gruppe an der ETH Zürich verbracht, wo er gemeinsam mit Forscherinnen und Forschern aus der statistischen Physik, Mathematik, Biologie, und Sozialwissenschaften zur datengestützten Modellierung komplexer Systeme forschte. Diesen interdisziplinären Forschungsansatz will er an der JMU und am CAIDAS weiterverfolgen – auch in der Lehre.

Von der Schweiz zurück nach Deutschland

Scholtes promovierte 2011 mit einem Thema zur Modellierung komplexer Computernetzwerke an der Universität Trier. Nach seiner Promotion wechselte er 2011 an die ETH Zürich, wo er bis 2018 am Lehrstuhl für Systemgestaltung forschte. Für seine interdisziplinären Arbeiten zur Modellierung komplexer Netzwerke erhielt er 2014 von der Gesellschaft für Informatik eine Auszeichnung als Junior-Fellow. 2016 war Scholtes Vertretungsprofessor für Angewandte Informatik am Karlsruher Institut für Technologie.

2018 erhielt er als einziger Informatiker der Schweiz vom Schweizerischen Nationalfonds (SNF) eine mit mehr als 1,5 Millionen Schweizer Franken dotierte SNF-Förderprofessur an der Universität Zürich. 2019 wurde er dann auf einen Lehrstuhl für Data Analytics an der Bergischen Universität Wuppertal berufen, den er bis 2021 innehatte. Sein weiteres Engagement umfasst die Wahl ins Präsidium der Gesellschaft für Informatik (GI), die Leitung des GI-Arbeitskreis Computational Social Science und die Mitherausgeberschaft der Zeitschrift EPJ Data Science.

Kernthemen seiner Forschung sind offene Fragen an der Schnittstelle zwischen Datenanalyse, Netzwerkwissenschaft, Graph Mining und maschinellem Lernen. Neben der Entwicklung neuer Methoden, die unser Verständnis komplexer Systeme verbessern, umfassen seine Forschungen auch Anwendungen von KI und Data Science in der kollaborativen Softwareentwicklung, der Analyse wissenschaftlicher Begutachtungsprozesse und den rechnergestützen Sozialwissenschaften.

Schwerpunkt in Würzburg

An der JMU wird Scholtes seinen Schwerpunkt auf die Entwicklung von maschinellen Lernverfahren für komplexe Systeme legen, die aus vielen miteinander wechselwirkenden Elementen bestehen. „Beispiele für solche komplexen Netzwerke gibt es im Großen und im Kleinen“, erklärt der Professor. „Zum Beispiel global verteilte Infrastrukturen wie Finanz-, Verkehrs- und Kommunikationsnetze. Oder – aktuell in aller Munde – Transportnetzwerke, die die Grundlage globaler Lieferketten bilden. Aber auch im ganz Kleinen finden wir komplexe Netzwerke, beispielsweise aus wechselwirkenden Proteinen oder Genen im Innersten unserer Zellen.“

Ein innovativer Punkt seiner Arbeit: Scholtes will neue maschinelle Lernverfahren für zeitlich aufgelöste Daten zu dynamischen Netzwerken entwickeln. „Zeitlich aufgelöste Daten zeigen uns nicht nur, wer mit wem interagieren kann, sondern wann und in welcher zeitlichen Abfolge diese Interaktionen stattfinden. Diese Informationen werden von aktuellen Verfahren häufig ignoriert, sind aber essentiell wichtig um sagen zu können, wer in einem komplexen System wen über welche Pfade kausal beeinflussen kann.“ Für aktuelle KI-Methoden sei die Berücksichtigung des Faktors Zeit in komplexen Netzwerken, und der sich daraus ergebenden kausalen Strukturen, noch immer eine große Herausforderung, so Scholtes. Seine Gruppe entwickelt statistische Lernverfahren, die diese bisher vernachlässigte Dimension komplexer Systeme berücksichtigen und damit bessere Vorhersagen erlauben.

Interdisziplinäre Anwendungsmöglichkeiten für Studierende

Neben der aktuellen Forschung können Studierende bei Professor Scholtes die interdisziplinären Anwendungsmöglichkeiten von maschinellem Lernen kennenlernen: Beispielsweise in den Sozialwissenschaften, Ingenieurwissenschaften oder Lebenswissenschaften. „Eine Besonderheit unserer Veranstaltungen ist auch, dass wir einen fächerübergreifenden Ansatz wählen. Das heißt die Studierenden lernen nicht nur Methoden der Informatik, sondern wir integrieren auch Methoden der statistischen Physik, der sozialen Netzwerkanalyse oder der mathematischen Graphentheorie.“ Auch praktische Abschnitte mit realen Datensätzen und Problemen und Kurse zur Softwareentwicklung werden Teil seiner Lehre sein.

Ein Vorstellungsvideo ist auf dem Youtube-Kanal der JMU zu finden.