Motivation
Das Deep Learning, beziehungsweise tiefe Lernen, hat als Teil der Künstlichen Intelligenz in den letzten Jahren enorme Fortschritte erzielt. Beispielsweise steckt es hinter Spracherkennungsprorammen, wie Siri und Alexa. Viele dieser Anwendungen erfordern ein kontinuierliches Weiterlernen von einmal trainierten Deep Learning-Modellen, basierend auf neuen Informationen aus der Umwelt. Im Projekt Engage werden die Grundlagen dieser Methoden verbessert, um Künstliche Intelligenz noch einfacher und effizienter in die Anwendung zu bringen
Ziele und Vorgehen
Das Projekt ist eine deutsch-französische Kooperation zwischen dem Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) und dem französischen Institut national de recherche en informatique et en automatique (INRIA). Im Projekt werden in einem ersten Schritt bestehende Methoden so optimiert, dass sie gut in verschiedenen großen Rechenzentren trainiert werden können. Diese maschinennahen Optimierungsstrategien zielen vor allem auf eine effiziente Verwaltung von Daten während des Trainingsprozesses ab. In einem zweiten Schritt werden Methoden entwickelt, die eine kontinuierliche Überprüfung der Modellqualität ermöglichen, insbesondere wenn Modelle nach einem ersten Training weitertrainiert werden. Im dritten Schritt werden Simulationsumgebungen aufgebaut, die künstliche Trainingsdaten zielgenau produzieren, wie zum Beispiel Bilder für das autonome Fahren. Anders als bisher können diese Trainingsdaten genau an den Lernprozess der Künstlichen Intelligenz anschließen (kontinuierliches und aktives Lernen). Zusammen ermöglichen diese drei Entwicklungen, dass die Leistungsfähigkeit von Modellen kontinuierlich im Entwicklungsprozess überprüft und verbessert werden kann.
Innovationen und Perspektiven
Die entwickelten Methoden werden in Rechenzentren bei INRIA und dem DFKI eingesetzt und anhand ausgewählter Anwendungsfälle erprobt – wie zum Beispiel aus dem Bereich Smart Living, autonomes Fahren und Industrie 4.0. Die in diesem Projekt entwickelten Methoden sind direkt für Anwender nutzbar. Die Projektergebnisse liefern konkrete Beiträge zu strategischen europäischen Entwicklungen in der Künstlichen Intelligenz, beispielsweise zu Gaia-X.