Bericht fordert Hochschulen auf, lange Mathe-Voraussetzungen vor KI-Kursen zu überdenken

Ein anderer Weg in die KI-Lehre

In vielen herkömmlichen Informatikstudiengängen müssen Studierende vier oder fünf eigene Mathematikkurse absolvieren, bevor sie in zentrale KI-Veranstaltungen einsteigen können. Zur typischen Abfolge gehören Analysis, diskrete Mathematik, Wahrscheinlichkeitsrechnung und Statistik sowie lineare Algebra. Während Hochschulen und Universitäten neue KI-Studienpfade im Bachelor aufbauen, fragt die CRA, ob diese gesamte Mathematik tatsächlich vorab stehen muss.

Der Empfehlungsbericht Math for AI aus dem NSF-LEVEL-UP-AI-Workshop antwortet darauf mit einem anderen Ansatz. Laut CRA soll er Engpässe durch mathematische Voraussetzungen verringern, ohne das mathematische Niveau zu senken, das Studierende zum Verständnis von KI benötigen. Der Bericht entstand aus Workshops mit 22 Teilnehmenden von 21 Institutionen. Autoren sind Michael Peterson (University of Hawaii at Hilo), Isaac Shaffer (Northern Arizona University), Enrico Pontelli (New Mexico State University) und Noah Cowit (Computing Research Association).

Module statt langer Kursfolge

Statt vorab eine Reihe klassischer Mathekurse zu verlangen, empfiehlt der Bericht, die mathematischen Inhalte für KI in stärker fokussierte Module zu ordnen. Diese könnten in eigenen „Math for AI“-Kursen unterrichtet oder direkt in Informatik- und KI-Veranstaltungen integriert werden. Als Beispiel wird genannt, Statistikinhalte in eine Einführung in Data Science einzubetten, sodass Studierende der Mathematik gemeinsam mit den Informatikkonzepten und Anwendungen begegnen, die sie relevant machen.

Der Bericht benennt Lernbereiche in diskreter Mathematik, Analysis, Wahrscheinlichkeitsrechnung und Statistik sowie linearer Algebra, dazu Grundlagenthemen und wünschenswerte Wahlfächer. Die konkreten Konzepte reichen von Logik, Kombinatorik, Ableitungen und Gradienten über Wahrscheinlichkeitstheorie und Modellbewertung bis zu Vektorräumen sowie Eigenwerten und Eigenvektoren.

Wann genau welches Thema unterrichtet werden soll, schreibt der Bericht nicht vor. Weil KI-Studienpfade unterschiedliche Ziele haben, empfiehlt er den Programmen zu entscheiden, welche Konzepte grundlegend sind und wiederholt vorkommen sollten, welche an irgendeiner Stelle vertieft behandelt werden müssen und bei welchen später im Studium Vertrautheit genügt. Verändert wird die Annahme, dass all dieses Lernen stattgefunden haben muss, bevor Studierende sich sinnvoll mit KI beschäftigen können.

Peterson, Leiter und Associate Professor für Informatik an der University of Hawaiʻi at Hilo, sagte: „Das Ziel ist nicht, die Mathematik aus der KI-Ausbildung herauszunehmen, sondern viel bewusster damit umzugehen, welche Mathematik Studierende brauchen und wann sie sie brauchen.“

Praxisbeispiele und Zusammenarbeit mit den Mathematikfachbereichen

Der Bericht empfiehlt außerdem, die Mathematik an angewandte, realitätsnahe KI-Beispiele zu knüpfen. Das kann Studierenden laut CRA helfen, die Umsetzung zu verstehen, und deutlicher machen, warum bestimmte Konzepte für ihr KI-Lernen und ihre spätere Laufbahn wichtig sind. Pontelli, Regents Professor für Informatik an der New Mexico State University, sagte, die Verzahnung beider Bereiche „gibt uns die Gelegenheit, Mathematik für Studierende relevanter zu machen und zugleich das Fundament zu legen, das sie brauchen, um KI tiefgehend zu verstehen“.

Der Bericht ermutigt zudem Informatikprogramme, die „Math for AI“-Kurse entwickeln, direkt mit den Mathematikfachbereichen ihrer Einrichtungen zusammenzuarbeiten, womöglich auch mit Kursen, die gemeinsam von Lehrenden der Informatik und der Mathematik gehalten werden.

Was das für die Hochschulen bedeutet

Das Rahmenwerk des Berichts soll Einrichtungen einen gemeinsamen Ausgangspunkt bieten, um über die mathematische Vorbereitung von KI-Studierenden nachzudenken, statt dass jedes Programm für sich einen eigenen Ansatz entwickelt. Shaffer, Lecturer an der Northern Arizona University, sagte, ein koordiniertes Vorgehen „kann hochwertige KI-Ausbildung für Einrichtungen erreichbarer machen, denen schlicht die Ressourcen fehlen, jeden Baustein selbst aufzubauen“.

Für Hochschulen, die neue KI-Bachelorprogramme entwerfen, bieten die Empfehlungen laut CRA die Chance, Mathematik- und KI-Pfade von Anfang an gemeinsam zu planen. Bestehende Programme erhalten einen Anlass zu prüfen, ob ihre Voraussetzungsstrukturen Studierenden beim Erwerb der nötigen Mathematik helfen oder ihren Einstieg in die KI unnötig verzögern. Die CRA formuliert die Frage so: Wie lässt sich die richtige Mathematik zur richtigen Zeit vermitteln, ohne unnötige Hürden aufzubauen?

Math for AI ist einer von sieben Empfehlungsberichten aus den NSF-LEVEL-UP-AI-Workshops.