Theorie und Praxis bei Microsoft

Vor ihrem Job bei Microsoft Research war Jennifer Chayes Professorin für Mathematik an der University of California in Los Angeles. Obwohl ihr anfangs nicht so recht klar war, was der Softwareriese mit ihrer äußerst theoretischen Forschung anfangen wollte, konnte sie ihr Wissen doch schnell in die Praxis umsetzen: So arbeitete sie in der Internet-Forschung unter anderem im Sektor Suchmaschinen-Werbung, Empfehlungssysteme und soziale Netzwerke.

Vor ihrem neuen Job als Leiterin von Microsoft Research New England begründete Chayes die Theoriegruppe innerhalb des Forschungsarms des Konzerns. Das neue Labor eröffnet im Juli in Cambridge, Massachusetts. Im Gespräch mit Technology Review erläuterte Chayes die Veränderungen in ihrem Job und wie sie künftig am neuen Standort forschen möchte.

Technology Review: Als Sie vor elf Jahren vom damaligen Technikchef Nathan Myhrvold zu Microsoft geholt wurden, sagten Sie zunächst, Ihre Arbeit sei für das Geschäft der Firma eigentlich irrelevant. Was hat sich seither geändert?

Jennifer Chayes: Das ist recht lustig. Ich unterhielt mich kürzlich mit jemandem in meiner Gruppe, der meinte, unsere Arbeit sei im vergangenen Jahrzehnt viel näher an echte Anwendungen gerückt. Meine Entgegnung lautete: "Nein, die Anwendungen rücken einfach viel näher an uns." Als Nathan sich entschied, mich und meinen Mann Christian Borgs zu Microsoft zu holen, beschäftigten wir uns mit abstrakten mathematischen Problemen mit vielen Variablen und komplexen Wechselbeziehungen. Er sah dennoch das Potenzial, dass diese Forschung eines Tages von Bedeutung für Microsoft sein könnte. Ich glaube nicht, dass Nathan all die Anwendungen im Web, in sozialen Netwerken und so weiter bereits damals auf dem Schirm hatte – aber ihm war klar, dass Leute, die sich auf unserem Gebiet tummelten, nützlich sein würden.

TR: Sie haben einen Doktortitel in mathematischer Physik – und selbst dieses Forschungsgebiet war für Microsoft dann bald spannend. Wie kam es, dass physikalische Phänomene wie die Phasenübergänge plötzlich in der Informatik wichtig wurden?

Chayes: Ungefähr 1995 gab es ein paar Leute, die Phasenübergänge plötzlich als schwer zu knackende Probleme in der Informatik betrachteten, bei denen man bestimmte Mengen an Ressourcen gegen bestimmte Einschränkungen abwägen musste. Es ergab sich, dass ein solches System eine mathematische Transformation durchmacht, die dem Phasenübergang von Flüssigkeiten von flüssig zu gefroren oder von flüssig zu kochend ähnelt. Die Probleme sind mathematisch verwandt. Man durchschreitet diesen einen Punkt, an dem man gerade noch alle einschränkenden Variablen befriedigen konnte, im nächsten Moment dann aber nicht mehr. Es ergab sich, dass die Untersuchung der Phasenübergänge innerhalb dieses Problems der Ressourcenverteilung zu den schnellsten Algorithmen führte, die wir heute haben, um die optimale Struktur von Netzwerken zu ermitteln. Wer hätte das gedacht?

Kürzlich saß ich in einer Sitzung mit Bill Gates, in der er sich anhörte, wo bei Microsoft gerade geforscht wird. Wir schauen uns beispielsweise den Bereich Multicasting an, um herauszufinden, wie man am effizientesten Mediendaten über das Web an eine definierte Zielgruppe sendet. Jemand erwähnte eine kürzlich durchgeführte Untersuchung meiner Gruppe, in der wir einen sehr schnellen Multicast-Algorithmus entwickelt hatten – und zwar ebenfalls basierend auf der Untersuchung von Phasenübergängen.

Schon vor zehn Jahren hatte ich Bill von meiner Forschung erzählt und er meinte damals, es sei doch großartig, dass Microsoft Leute einstelle, deren Arbeit sich erst in 100 Jahren bezahlt mache. Zehn Jahre später zeigt sich nun aber, dass wir daraus diese superschnellen Algorithmen entwickeln konnten.

TR: Können Sie uns sagen, wie Sie zu einigen der Problemstellungen gelangt sind, an denen Sie derzeit arbeiten? Aus welcher Quelle speisen sich die grundlegenden Fragen?

Chayes: Für mich persönlich bedeutet die Arbeit bei einer Firma im Vergleich zu einer Universität, dass ich viel, viel schneller mit wichtigen Aufgabenstellungen konfrontiert werde, als das in der Hochschulforschung der Fall gewesen wäre. Ich darf mir einige dieser spannenden Dinge aus dem echten Leben vornehmen und sie zum ersten Mal im Modell durchrechnen – und zwar allein deshalb, weil ich von ihnen gehört habe. Wenn ich diese Erkenntnisse dann in die Mathematiker-Gemeinschaft heraustrage, arbeiten noch viele andere Menschen daran mit.

Beispielsweise hörte ich sehr früh vom Thema Link-Spamming und wie sehr es die Qualität von Suchmaschinen-Ergebnislisten beeinträchtigt. Im Bereich sozialer Netzwerke bin ich ebenfalls näher am Puls der Zeit als an der Universität. Ich bin überzeugt davon, dass Wissenschaftler, die grafische Systeme und Netzwerke im Hochschulkontext erforschen, in den nächsten drei oder vier Jahren an neuen Empfehlungssystemen arbeiten werden. Ich selbst konnte sie mir hingegen ein bisschen früher ansehen, weil die Microsoftler um mich herum fragen, wie man denn bitte genau ein soziales Netzwerk zu Geld machen kann.

TR: Sie sind dieses Problem wie erwähnt mit Ihrer Arbeit an Empfehlungssystemen angegangen. Kürzlich kam es allerdings bei Facebook und anderen sozialen Netzwerken dazu, dass die Monetarisierung weniger gut klappte. Die Nutzer fragen sich, ob das Arbeiten mit ihren Daten für personalisierte Werbung und der Schutz ihrer Privatsphäre in Einklang zu bringen sind. Was lässt sich hier tun?

Chayes: Das sind genau die Fragen, die wir uns selbst gestellt haben. Wir schauen uns an, wie wir Systeme mit unterschiedlichen Eigenschaften erschaffen können. So entsteht dann ein Theorem, das beispielsweise besagt, dass man kein Empfehlungssystem haben kann, das alle gewünschten Informationen ausliefert, wenn man gleichzeitig seine Privatsphäre schützen möchte. Doch dann kann man eben auch festlegen, welche Dinge unbedingt haben möchte und welche nicht. So sieht man dann, welche Eigenschaften ein Empfehlungssystem haben muss.

Wir wollen in unserem neuen Labor auch deshalb mit Soziologen, Psychologen und Wirtschaftswissenschaftlern arbeiten, weil ich als Mathematikerin aus ihren Erkenntnissen Modelle herstellen kann. Ich kann eine mathematische Formel verschiedener Stufen der Privatsphäre erstellen, aber derzeit nicht sagen, was die Mehrzahl der Nutzer möchte und was die Mitglieder bestimmter Altersgruppen. Wenn ich nun mit Soziologen und Psychologen arbeite, können sie mir bestimmte Daten und Reihenfolgen vorschlagen, die ich einhalten muss. Dann ergibt sich ein mathematisches Gerüst, das tatsächlich Algorithmen liefert. Das dann Empfehlungen abgibt, die die Maximalanzahl gewünschter Eigenschaften besitzen – und zwar in gewünschter Reihenfolge. Mit all diesen Daten, die wir heute haben und all den Ideen, die wir umsetzen wollen, ist es an der Zeit, dass Informatiker und Mathematiker sich mit Soziologen und Psychologen auseinandersetzen. Ich bin kein Experte darin, was die Leute wollen. Ich kann nur entsprechende Modelle aufstellen.

TR: Wird diese Denkweise den Aufbau Ihres neuen Labors bestimmen?

Chayes: Ich hoffe, dass unsere neue Einrichtung in Cambridge die perfekte Umgebung dafür wird, sich dieser neuen Art von Fragen zu widmen. Wir werden versuchen, die perfekten Mitarbeiter für dieses Anliegen zusammen zu bringen. (bsc)