Fei-Fei Li (* 1976, Chengdu, China / lebt in Stanford, Kalifornien, USA) ist eine chinesisch-amerikanische Informatikerin und KI-Forscherin, die mit der Schaffung von ImageNet die Deep-Learning-Revolution mitauslöste, das Stanford AI Lab leitete und heute für eine menschenzentrierte und inklusive KI eintritt.
Rubrik: Einflussreiche Persönlichkeiten · Unterrubrik: Medientheoretiker & KI-Pioniere · Niveau: Einsteiger Auch bekannt als: Schöpferin von ImageNet, Direktorin des Stanford Human-Centered AI Institute (HAI), „AI for All"-Mitgründerin
Biografie
Fei-Fei Li wurde 1976 in Chengdu, China, geboren. Mit 16 Jahren emigrierte sie mit ihrer Familie nach Parsippany, New Jersey, USA. Sie arbeitete in einem chinesischen Wäschereibetrieb, um das Studium zu finanzieren, und studierte dennoch mit Bravour Physik am Princeton University (Bachelor 2000). Sie promovierte 2005 in Elektrotechnik am California Institute of Technology (Caltech).
Nach ihrer Promotion lehrte Li an der University of Illinois Urbana-Champaign (UIUC) und an der Princeton University, bevor sie 2009 an die Stanford University wechselte. Dort wurde sie Direktorin des Stanford Artificial Intelligence Laboratory (SAIL) – eines der weltweit renommiertesten KI-Forschungszentren.
Von 2017 bis 2018 arbeitete Li bei Google Cloud als Chief Scientist of AI/ML, kehrte danach aber zu Stanford zurück. Sie gründete zusammen mit Olga Russakovsky die gemeinnützige Organisation AI4ALL (früher SAILORS), die Jugendliche aus unterrepräsentierten Gruppen für KI begeistert. Sie leitet heute das Stanford Institute for Human-Centered Artificial Intelligence (HAI), das sie 2019 mitgründete.
Hauptthesen & Beiträge
Fei-Fei Lis wichtigster wissenschaftlicher Beitrag ist die Schaffung von ImageNet (2009): einem riesigen Datensatz mit über 14 Millionen manuell annotierten Bildern aus über 20.000 Kategorien. Dieser Datensatz, der in jahrelanger Kleinstarbeit mit Hilfe von Amazon Mechanical Turk erstellt wurde, wurde zur Grundlage des ImageNet Large Scale Visual Recognition Challenge (ILSVRC) – eines Wettbewerbs, bei dem KI-Systeme Bilder erkennen sollten.
Der Wettbewerb, insbesondere das Ergebnis von 2012 (AlexNet von Hintons Gruppe), bewies dramatisch, dass tiefe neuronale Netze alle anderen Methoden der Bilderkennung übertrafen. ImageNet war die entscheidende Infrastruktur, die diesen Durchbruch ermöglichte. Ohne einen standardisierten, riesigen Benchmarkdatensatz wäre der empirische Vergleich verschiedener Ansätze nicht möglich gewesen. Fei-Fei Li hat damit – vielleicht paradoxerweise, da sie die Daten bereitstellte, nicht die Algorithmen entwickelte – die KI-Revolution mitausgelöst.
In ihrer späteren Arbeit konzentriert sich Li auf menschenzentrierte KI (Human-Centered AI): KI-Systeme sollen nicht nur technisch leistungsfähig, sondern auch für alle Menschen zugänglich, fair, sicher und dem menschlichen Wohlbefinden verpflichtet sein. Das Stanford HAI Institut, das sie leitet, verbindet technische Forschung mit Ethik, Politik und Sozialwissenschaften.
Li ist auch eine wichtige Stimme für Diversität und Inklusion in der KI-Forschung: Frauen, People of Color und Menschen aus dem globalen Süden sind in der KI-Community stark unterrepräsentiert, was zu verzerrten Systemen führen kann. AI4ALL versucht dieser Schieflage entgegenzuwirken.
Wichtige Werke / Veröffentlichungen / Erfindungen
- ImageNet (2009) – Riesiger annotierter Bilddatensatz, Grundlage der Computer-Vision-Revolution
- ImageNet Large Scale Visual Recognition Challenge (ILSVRC) (2010–2017) – Benchmark-Wettbewerb
- „ImageNet: A Large-Scale Hierarchical Image Database" (2009, Paper mit Deng, Dong u. a.) – Schlüsselpaper
- „What Does Classifying More Than 10,000 Image Categories Tell Us?" (2010, ECCV)
- Stanford Human-Centered AI Institute (HAI) (2019, Mitgründung)
- AI4ALL (2017, Mitgründung) – Non-Profit für Diversität in der KI-Ausbildung
- „The Worlds I See" (2023) – Memoiren über ihre Wissenschaftskarriere und den KI-Aufstieg
Einfluss & Bedeutung
ImageNet und der zugehörige Wettbewerb gelten als Katalysator der Deep-Learning-Revolution und damit der modernen KI-Ära. Ohne diesen Benchmarkdatensatz hätte der Durchbruch von 2012 nicht in dieser Form stattgefunden oder wäre zeitlich verzögert worden. Fei-Fei Lis Einsatz für menschenzentrierte KI, Diversität und verantwortungsvolle Technologieentwicklung macht sie zu einer der wichtigsten Stimmen in der gesellschaftlichen Debatte über KI. Ihre Memoiren von 2023 haben einer breiten Öffentlichkeit ihre Geschichte und ihre Vision zugänglich gemacht.
Kritik & Kontroversen
Der ImageNet-Datensatz enthielt Bilder und Kategorien, die rassistische und sexistische Vorurteile reproduzierten – ein Problem, das erst später erkannt und teilweise behoben wurde. Kritiker sahen darin ein Symptom der mangelnden Diversität in der KI-Forschung. Dass ausgerechnet Amazons Mechanical Turk (prekäre, schlecht bezahlte Crowdarbeit) zur Annotation genutzt wurde, ist ebenfalls ein ethisches Problem. Fei-Fei Lis Zeit bei Google Cloud wurde von manchen als Widerspruch zu ihrer ethischen Agenda gesehen.
Häufige Fragen (FAQ)
Was ist ImageNet und warum war es so wichtig für die KI? ImageNet ist ein riesiger Datensatz mit über 14 Millionen annotierten Bildern in über 20.000 Kategorien. Er ermöglichte den systematischen Vergleich von KI-Systemen zur Bilderkennung und lieferte die Trainingsgrundlage für tiefe neuronale Netze, die ab 2012 alle anderen Methoden übertrafen.
Was bedeutet „menschenzentrierte KI" (Human-Centered AI)? Menschenzentrierte KI bezeichnet den Ansatz, KI-Systeme nicht nur nach technischer Leistungsfähigkeit zu entwickeln, sondern auch nach ihrer Wirkung auf Menschen, Gesellschaft und Grundwerte wie Fairness, Transparenz und Zugänglichkeit zu bewerten und zu gestalten.
Verwandte Einträge
Weiterführend
- Li, Fei-Fei: The Worlds I See: Curiosity, Exploration, and Discovery at the Dawn of AI. New York: Flatiron Books, 2023.
- Deng, Jia u. a.: ImageNet: A Large-Scale Hierarchical Image Database. In: CVPR 2009.
- Crawford, Kate: Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. New Haven: Yale University Press, 2021. (Kritische Ergänzungsperspektive)
