Motivation
Die Welt der Künstlichen Intelligenz (KI) wurde durch tiefe neuronale Netze und große Sprachmodelle revolutioniert. Diese leistungsstarken „Transformer“ können mittlerweile menschenähnlichen Text generieren, deren Einsatz enorme Potenziale aufweist, wie im Kundenservice oder der Wissenschaft. Doch diese beeindruckenden Fähigkeiten haben ihren Preis: Bereits in der Entwicklung werden riesige Mengen an Daten und Rechenleistung benötigt, was zu Problemen bei Dateneffizienz und Optimierung führt. Ineffizienzen von KI sind deshalb besonders spürbar in Situationen mit begrenzter Verfügbarkeit von Ressourcen. Diese Herausforderung wachsen weiter, wenn Modelle später auf realen Daten angewendet werden, also verschiedene Arten von Informationen (z.B. Bilder, Text und Sensordaten) kombinieren müssen, um beispielsweise in der Gesundheitsanalytik genutzt zu werden. Hier setzt die KI-Nachwuchsgruppe „EMuLe“ an.
Ziele und Vorgehen
Das Ziel ist, robuste und effiziente KI zu entwickeln, welche verschiedene Arten von Daten für verschiedene Anwendungen effektiv verarbeiten kann. Zum einen werden Techniken verbessert, die die benötigte Datenmenge für das Training reduzieren und den Rechenaufwand verringern. Zum anderen werden Ansätze wie die Auswahl von Stichproben und die Modellierung von Graphen untersucht, um begrenzte Datensätze optimal nutzen und die gegenseitigen Abhängigkeiten minimieren zu können. Außerdem werden Verfahren zur Datenregulierung und Parallelverarbeitung erarbeitet und erprobt, um die Trainingsgeschwindigkeit zu erhöhen.
Innovationen und Perspektiven
KI für solche „multimodalen“ Daten wird neue Möglichkeiten in Präzisionsbereichen aus der Medizin oder Klimaüberwachung eröffnen. Eine wichtige Neuerung wird dabei die effiziente und einzigartige Integration von Sensordaten sein, die bisher weniger beachtet wurden. Die innovativen Frameworks werden außerdem die Nutzung dieser leistungsstarken Modelle mit weniger Ressourcen bei gleichbleibender Leistung ermöglichen. Dadurch könnte KI auch für bisher ungenutzte oder scheinbar nicht realisierbare Anwendungen in Frage kommen.