Motivation
In der Welt der Künstlichen Intelligenz haben „Vision Foundation Models“ (VFM) im Bereich des „Deep Learnings“ eine neue Ära der Innovation eingeläutet. VFM sind leistungsfähige, vortrainierte maschinelle Lernmodelle, die auf sehr großen Bilddatensätzen trainiert werden und als Grundlage für eine Vielzahl von visuellen Anwendungen und spezialisierten Modellen dienen. Trotz rasanter Fortschritte bleiben entscheidende Fragen zur Vertrauenswürdigkeit dieser Technologie offen. So ist unklar, wann ein Modell den bekannten Bereich seiner Trainingsdaten verlässt und wie sich dadurch die Genauigkeit über verschiedene Domänen hinweg verhält. Mit anderen Worten: Wie kann die Genauigkeit durch welche Anpassungen und Finetuning an welcher Stelle beeinflusst werden? Das Forschungvorhaben REFRAME widmet sich diesen Herausforderungen.
Ziele und Vorgehen
Das übergeordnete Ziel ist, eine nachhaltige, robuste, flexible und effiziente Nutzung von VFM auch in spezifischen Domänen zu erreichen. Es werden Methoden zur Untersuchung aktueller Grenzen und zur Identifikation von Unsicherheiten in den Vorhersagen erforscht. Neue Ansätze werden entwickelt, um die Vertrauenswürdigkeit und Erklärbarkeit zu steigern. Weiterhin werden resiliente und effiziente Methodiken entwickelt, um VFM an spezielle Domänen und Aufgaben auch mit wenigen Daten anzupassen.
Innovationen und Perspektiven
Die Ergebnisse werden zur wissenschaftlichen und technologischen Grundlage der robusten, flexiblen und effizienten Nutzung von großen VFM beitragen. Durch die neuartigen Verfahren für eine bessere Unsicherheitsquantifizierung, Erklärbarkeit und flexiblere Anpassung, vor allem in bisher unterrepräsentierten Anwendungsgebieten, wird auch ein großes Potenzial für soziale und wirtschaftliche Auswirkungen und neue Markterschließung freigeschaltet.