[Original interview on web.archive.org (externer Link, öffnet neues Fenster)]
After studying theoretical physics, Florian Hartig was a research assistant at the University of Freiburg and since 2016 he has been a W2 professor at the University of Regensburg.
His research focuses on theory, simulation models and statistical methods in ecology, evolution and nature conservation. Examples of newer activities are the development of statistical software (e.g. the R-packages DHARMa (externer Link, öffnet neues Fenster) and BayesianTools (externer Link, öffnet neues Fenster)), the integration of model data of dynamic vegetation models (e.g. Hartig, F., Dyke, J., Hickler, T., Higgins, S., O’Hara, R., Scheiter, S. & Huth, A. (2012): Connecting dynamic vegetation models to data – an inverse perspective. J. Biogeogr., 39, 2240-2252. Online version (externer Link, öffnet neues Fenster)), statistical applications, method comparisons and the coexistence theory.
In addition to browsing his publications (e.g. on Google Scholar (externer Link, öffnet neues Fenster)), you can find out more about his recent activities on his research blog (externer Link, öffnet neues Fenster), on GitHub (externer Link, öffnet neues Fenster) or on Twitter: @florianhartig (externer Link, öffnet neues Fenster)
Question 1: Mr. Hartig, at which chair / institute at the University of Regensburg do you work?
Answer: I represent the subject "Theoretical Ecology". In my working group we use statistical methods and simulations to develop theories about the organizational principles of ecosystems and to compare them with data. An important field of research for us is the reaction of ecosystems, especially forest ecosystems, to climate change. The latter is also the main topic of the junior research group of Dr. Hülsmann, which is financed by the Bavarian climate research network bayklif and associated to my group. But we also do research on other topics, in particular the formation and conservation of regional and global biodiversity patterns, species interactions, and much more.
Question 2: Which topics do you mainly teach? Or. In which subject (s) are your events to focus on?
Answer: Our teaching focuses on biostatistics, data science and machine learning. We also offer more ecologically oriented courses, e.g. the lecture “Evolutionary Game Theory”, in which the students understand classical theories on the evolution of cooperative behavior through computer simulations.
Question 3: "Knowledge creates² data" is a cross-faculty project at the University of Regensburg. It combines research efforts in the areas of big data, artificial intelligence and machine learning. How do your events relate to AI? Please describe this reference to us. (Please give us example events / example topics)
Answer: As mentioned above, this area is the focus of our teaching, and we therefore offer various courses in the field of statistics and ML. One example is our block course 54379: Machine Learning and AI in TensorFlow and R. A complete list of our events in this area can be found here (externer Link, öffnet neues Fenster).
Question 4: How do you convey this relationship to the students? What do you have to pay particular attention to here in relation to various prior knowledge?
Answer: It depends on the course. For example, I teach the introductory course “Statistics for Biologists” in the BSc program. This is a regular lecture with exercises. For the “higher semesters” (i.e. MSc / PhD), on the other hand, we teach practically exclusively in block courses, which are normally held in a CIP pool and now, due to the COVID-19 pandemic, are held via Zoom. We attach great importance to problem and competence-oriented learning with clear practical examples, and the courses are therefore designed as a mixture of lectures, exercises, and independent projects. The necessary prior knowledge for the respective course is described in the course catalog. Of course, the often relatively heterogeneous previous knowledge is a challenge for teaching, but we are now quite well adapted to it.
Question 5: Building on this, which specialist competencies does the student acquire in the course?
Answer: It depends on the course. In general, it is the ability to understand statistical and AI problems and to be able to solve them practically. The exact learning objective is usually described in the course catalog.
Question 6: Why do you think it makes sense to convey AI-related topics to students?
Answer: At the moment, AI or ML is simply a rapidly developing field of research with broad areas of application in research and business. The topic is almost universally relevant, from the humanities (keyword digital humanities) to the life sciences and the “hard” natural sciences.
Question 7: In addition to the courses you hold, you also do research. What are you currently doing here?
Answer: As I said, we work at the interface between ecological theory and data. This means that we evaluate (large) ecological data and program computer simulations, but we also develop statistical software and methods (see here (externer Link, öffnet neues Fenster)).
Question 8: Have you already done research on topics that are related to AI? If so, can you give us an example?
Answer: Yes, as I said, there are various references. You can find an overview on my list of publications (externer Link, öffnet neues Fenster). An example is the recently published article by my doctoral student Maximilian Pichler: Pichler, M., Boreux, V., Klein, AM, Schleuning, M., & Hartig, F. (2020): Machine learning algorithms to infer trait ‐ matching and predict species interactions in ecological networks. Methods in Ecology and Evolution, 11 (2), 281-293. Online version (externer Link, öffnet neues Fenster)
Question 9: Now a question about your personal career. What experience do you have in the field of AI? And how did you get your knowledge of AI? (Ex.: training, self-study, etc.)
Answer: I originally studied physics and have been working in the field of modeling / software / statistics since my doctoral thesis.
Question 10: Do you personally find it easy or difficult to deal with topics that are related to AI?
Answer: It depends on what you mean by “find it easy or difficult”. The AI / ML area is much younger and less developed than, for example, the field of statistics. That tends to make research easier and more creative. It is also the case that in the field of AI there is currently a mood that resembles a “gold rush”, both with regard to the funding provided and with regard to the interest of scientific journals etc. Due to these positive external conditions, the field is also moving at an insane speed, so you have to stay on the ball, and there is a significant risk of other people working on the same problem.
Question 11: What exactly is it that interests/fascinates you particularly about such topics?
Answer: What interests me in statistics as a whole is the challenge of building and understanding algorithms that generate answers about the essence of nature from data. Whether it’s a regression or a deep neural network doesn’t really make that big a difference to me.
Question 12: Mr. Hartig, are there currently projects on which you are collaborating with other lecturers across disciplines? If so, can you give us an example of this? And how is the connection to be assessed?
Answer: Not in teaching, but we have various interdisciplinary collaborations in research. The website of my working group or my list of publications give an overview.
Question 13: What is your ideal vision for the future role of AI in higher education? What could be the biggest change compared to the status quo in the future?
Answer: I see AI initially not as a subject, but an application that brings together more basic disciplines. The development of AI applications requires the corresponding specialist knowledge, which typically comes from the fields of statistics, computer science, mathematics and the respective departments for which AI applications are to be developed. I think it is therefore important to develop the necessary basic skills for AI first in the traditional disciplines of the university, but also in school. By this I mean primarily mathematics, statistics and programming, which should be strengthened both in school education and in the university curricula. Building on those, we can develop more specialized AI courses and I think at the same time some basic knowledge about AI should actually be anchored also in every MSc program, including the humanities. After all, with the appropriate frameworks, building a neural network is not rocket science. In principle, you can teach that to any MSc student, and I think such a basic understanding of what AI is would be useful in the future.
Question 14: How do you feel about the "Knowledge creates2 data" project at the University of Regensburg? How do you contribute to the projects?
Answer: I think this is an excellent initiative. Incidentally, it emerged from a commission on data science at the UR, in which I was also represented.
Question 15: In your opinion, are there any other aspects that you consider important in this context and that were not addressed in this interview?
Answer: No, I think we have everything covered, thanks for the questions!
Mr. Hartig, thank you very much for taking the time to answer these questions. We wish you a nice day!
---------------------------------------------
Deutsch Version:
[Original interview on web.archive.org (externer Link, öffnet neues Fenster)]
Nach seinem Studium in Theoretischer Physik war Florian Hartig Wissenschaftlicher Assistent an der Universität Freiburg und seit 2016 ist er W2 Professor an der Universität Regensburg.
Seine Forschung konzentriert sich auf Theorie, Simulationsmodelle und statistische Methoden in Ökologie, Evolution und Naturschutz. Beispiele für neuere Aktivitäten sind die Entwicklung statistischer Software (z.B. die R-Pakete DHARMa (externer Link, öffnet neues Fenster) und BayesianTools (externer Link, öffnet neues Fenster)), die Modelldatenintegration dynamischer Vegetationsmodelle (z.B. Hartig, F., Dyke, J., Hickler, T., Higgins, S., O’Hara, R., Scheiter, S. & Huth, A. (2012): Connecting dynamic vegetation models to data – an inverse perspective. J. Biogeogr., 39, 2240-2252. Onlineversion (externer Link, öffnet neues Fenster)), statistische Anwendungen, Methodenvergleiche und die Koexistenztheorie.
Neben dem Durchsuchen seiner Veröffentlichungen (z.B. auf Google Scholar (externer Link, öffnet neues Fenster)) können Sie mehr über seine letzten Aktivitäten auf seinem Forschungsblog (externer Link, öffnet neues Fenster), auf GitHub (externer Link, öffnet neues Fenster) oder auf Twitter erfahren: @florianhartig (externer Link, öffnet neues Fenster)
Ich vertrete das Fach „Theoretische Ökologie“. In meiner Arbeitsgruppe nutzen wir statistische Methoden und Simulationen, um Theorien über die Organisationsprinzipien von Ökosystemen zu entwickeln, und diese mit Daten abzugleichen. Ein wichtiges Forschungsfeld für uns ist die Reaktion von Ökosystemen, insbesondere Waldökosystemen, auf den Klimawandel. Hierzu forscht neben meiner eigenen Arbeitsgruppe auch die bei mir assoziierte Nachwuchsforschergruppe von Frau Dr. Hülsmann, die vom bayrischen Klimaforschungsnetzwerk bayklif (externer Link, öffnet neues Fenster) finanziert wird. Wir forschen aber auch zu anderen Themen, insbesondere der Entstehung und Erhaltung von regionalen und globalen Biodiversitätsmustern, Artinteraktionen, und vieles mehr.
Der Schwerpunkt unsere Lehre ist im Bereich Biostatistik, Data Science und maschinelles Lernen. Wir bieten aber auch ökologischer ausgerichtete Veranstaltungen an, z.B. die Vorlesung „Evolutionäre Spieltheorie“, in dem die Studierenden klassische Theorien zur Evolution von kooperativem Verhalten durch Computersimulationen nachvollziehen
Wie oben schon erwähnt ist dieser Bereich der Schwerpunkt unserer Lehre, und wir bieten demnach diverse Veranstaltungen im Bereich Statistik und ML an. Ein Beispiel ist unser Blockkurs 54379: Machine Learning and AI in TensorFlow and R. Eine vollständige Liste unserer Veranstaltungen in diesem Bereich befindet sich hier (externer Link, öffnet neues Fenster).
Es kommt auf die Veranstaltung an. Ich unterrichte z.B. die Grundvorlesung Statistik für Biologen im BSc. Das ist eine reguläre Vorlesung mit Übungen. Für die „höheren Semester“ (d.h. MSc / PhD) unterrichten wir dagegen praktisch ausschließlich in Blockkursen, welche normalerweise in einem CIP Pool, und jetzt aufgrund der COVID-19 Pandemie per Zoom abgehalten werden. Wir legen großen Wert auf problem- und kompetenzorientiertes Lernen mit einem klaren Praxisbezug, und die Kurse sind demnach als eine Mischung aus Vorlesungen, Übungsaufgaben, und freieren Projekten konzipiert. Das nötige Vorwissen für den jeweiligen Kurs ist im Vorlesungsverzeichnis beschrieben. Natürlich sind die oft relativ heterogenen Vorkenntnisse eine Herausforderung für die Lehre, an die wir aber inzwischen recht gut angepasst sind.
Das hängt vom Kurs ab. Im Allgemeinen handelt es sich um die Fähigkeit, statistische und KI Probleme zu verstehen und praktisch lösen zu können. Das genaue Lernziel ist normalerweise im Vorlesungsverzeichnis beschreiben.
KI oder ML zurzeit einfach ein sich rasant entwickelndes Forschungsfeld mit breiten Anwendungsbereichen in Forschung und Wirtschaft. Das Thema ist ja fast universell relevant, von den Geisteswissenschaften (Stichwort Digital Humanities) über die Lebenswissenschaften bis zu den „harten“ Naturwissenschaften
Wir arbeiten wie gesagt an der Schnittstelle zwischen ökologischer Theorie und Daten. D.h. wir werten (große) ökologische Daten aus und programmieren Computersimulationen, aber entwickeln auch statistische Software und Methoden (siehe hier (externer Link, öffnet neues Fenster)).
Ja, wie gesagt, es gibt da diverse Bezüge. Einen Überblick findet man auf meiner Publikationsliste (externer Link, öffnet neues Fenster). Ein Beispiel ist der kürzlich erschienene Artikel meines Doktoranden Maximilian Pichler: Pichler, M., Boreux, V., Klein, A. M., Schleuning, M., & Hartig, F. (2020): Machine learning algorithms to infer trait‐matching and predict species interactions in ecological networks. Methods in Ecology and Evolution, 11(2), 281-293. Onlineversion (externer Link, öffnet neues Fenster)
Ich habe ursprünglich Physik studiert und arbeite seit meiner Doktorarbeit im Bereich Modellierung / Software / Statistik.
Es kommt darauf an, was man mit „Umgang“ meint. Der KI / ML Bereich ist wesentlich jünger und weniger entwickelt als z.B. die Statistik. Das macht die Forschung tendenziell einfacher und kreativer. Es ist auch so, dass im KI Bereich gerade eine regelrechte „Goldgräberstimmung“ herrscht, sowohl bezüglich der bereitgestellten Fördermittel als auch bezüglich des Interesses von wissenschaftlichen Journalen. Aufgrund dieser positiven Rahmenbedingungen bewegt sich das Feld aber auch mit einer irren Geschwindigkeit, d.h. man muss ständig am Ball bleiben, und es gibt eine signifikante Gefahr, dass andere Leute an dem gleichen Problem arbeiten.
Mich interessiert an der Statistik insgesamt die Herausforderung, Algorithmen zu bauen und zu verstehen, die aus Daten Antworten über das Wesen der Natur generieren. Ob es sich hierbei um eine Regression oder ein tiefes neuronales Netz handelt macht für mich eigentlich gar nicht so einen großen Unterschied.
Nicht in der Lehre, aber wir haben diverse interdisziplinäre Zusammenarbeiten in der Forschung. Einen Überblick gibt die Webseite meiner Arbeitsgruppe, oder meine Publikationsliste.
KI ist ja zunächst mal kein Fach, sondern eine Anwendung. Die Entwicklung von KI Anwendungen erfordert das entsprechende Fachwissen, was typischerweise methodisch aus den Bereichen Statistik, Informatik, Mathematik und den jeweiligen Fachbereichen kommt, für die KI Anwendungen entwickelt werden sollen. Ich denke es ist deshalb wichtig, zunächst in den Studienfächern der Uni, aber auch schon in der Schule, die nötigen Grundkompetenzen für die KI zu entwickeln. Darunter verstehe ich primär Mathematik, Statistik und Programmierung, die sowohl in der Schulausbildung als auch in den Studienplänen gestärkt werden sollten. Darauf aufbauen kann man über spezialisierte Studiengänge nachdenke, sollte ich denke gleichzeitig könnten ein paar Grundkenntnisse in diesem Feld eigentlich auch in jedem MSc Studiengang, inkl. der Geisteswissenschaften, verankert werden. Mit den entsprechenden Frameworks ist es ja schließlich kein Hexenwerk ein neuronales Netz zu bauen, das könnte man im Prinzip in jedem MSc lehren, und ich denke zumindest ein Grundverständnis worum es hier geht wäre wichtig.
Ich denke das ist eine hervorragende Initiative, die z.T. übrigens aus einer Kommission zum Thema Data Science an der UR hervorgegangen ist, in der ich auch vertreten war
Nein, ich denke wir haben alles abgedeckt, vielen Dank für die Fragen!
Herr Hartig, vielen Dank dass Sie sich Zeit genommen haben, uns diese Fragen zu beantworten. Wir wünschen Ihnen noch einen schönen Tag!
Kontakt aufnehmen
Prof. Dr. Florian Hartig
Theoretical Ecology and Ecological Data Science Group
Homepage see here