Eine konsistente, nachvollziehbare Einordnung von KI-Methoden ist Grundvoraussetzung für eine wirksame Normung. Die jüngste Veröffentlichung des MIT zur Methode Information Contrastive Learning (I-Con) bietet hier einen vielversprechenden Zugang:
Kernaussage: Mehr als 20 gängige ML-Verfahren – von Spam-Filtern bis zu Deep Learning-Modellen – lassen sich durch eine einzige mathematische Struktur verbinden.
Das bietet das Modell für die Normung:
Transparenz über Wirkweise und Lernmechanismen verschiedener Algorithmen
Erweiterbarkeit für neue Verfahren (z. B. Lückenanalogie zum Periodensystem)
Transferfähigkeit: Methoden aus einem Bereich können gezielt auf andere übertragen werden
Nutzen für Normungsarbeit im ANP-Kontext:
Vergleichbarkeit und Einordnung von KI-Systemen nach Lernstrategie, Datenabhängigkeit und Zweck
Unterstützung bei der Klassifikation gemäß AI Act (Art. 6 + Anhang III)
Grundlage für konsistente Schulungsinhalte, Auditkriterien und Dokumentationspflichten
🧩 Quelle: Generative AI Newsletter, 23.04.2025 – MIT I-Con Framework, ICLR 2025
Wie lässt sich maschinelles Lernen systematisch kategorisieren?
Das MIT hat mit dem Konzept Information Contrastive Learning (I-Con) ein Ordnungsmodell entwickelt, das über 20 bekannte ML-Algorithmen mathematisch unter einem Dach vereint – ähnlich einem „Periodensystem der KI“.
Dieses Modell zeigt:
wie verschiedene KI-Verfahren strukturell zusammenhängen,
welche Verfahrensklassen bislang unerschlossen sind (Normungspotenzial),
und wie sich Transferlernen zwischen Methoden ermöglichen lässt.
Nutzen für die Normungspraxis:
Besseres Verständnis zur Einordnung von KI-Verfahren nach Funktionsweise
Identifikation normierungsrelevanter „Lücken“ für neue Verfahrensklassen
Referenz für Strukturierungsansätze in Klassifikationsnormen wie DIN/TS 92004 oder ISO/IEC 5338
🧩 Quelle: Generative AI Newsletter, 23.04.2025 – MIT I-Con Paper (ICLR 2025)