KI-Nachwuchsgruppen unter Leitung von Frauen

Insbesondere die Beteiligung von Frauen in der deutschen Forschung zur Künstlichen Intelligenz (KI) und in entsprechenden akademischen Führungspositionen entspricht nicht dem Anteil herausragend qualifizierter Frauen in der Bevölkerung. Dadurch wird ein großes Potenzial nicht genutzt, zum Nachteil des Forschungsstandorts. Mit der Förderung „ExperTeam4KI“ zielt das Bundesministerium für Bildung und Forschung (BMBF) darauf ab, Nachwuchswissenschaftlerinnen im Bereich KI beim Aufbau einer eigenen Forschungsgruppe und der eigenständigen Arbeit an innovativen, fachübergreifenden Forschungsideen zu unterstützen. Die Förderung ist Teil der Umsetzung der KI-Strategie der Bundesregierung und der Zukunftsstrategie Forschung und Innovation des BMBF.

Das BMBF hat hierzu bereits in der Vergangenheit wichtige Initiativen angestoßen: In 2019 wurde mit der Richtlinie zur Förderung von KI-Nachwuchswissenschaftlerinnen in einem ersten Schritt die stärkere Berücksichtigung, die umfassendere Beteiligung und der stärkere Einfluss von Frauen in der KI-Forschung angestrebt und 20 Vorhaben gefördert. Darauf aufbauend wurden mit der Richtlinie zur Förderung von Ideennachwuchs: Forschungsvorhaben von KI-Nachwuchsgruppen 22 interdisziplinäre Nachwuchsgruppen rund um das Themenfeld Künstliche Intelligenz gefördert. Diese "KI-Talente von Morgen" wurden vom BMBF in dem rechts verlinkten Booklet aus dem Jahre 2023 porträtiert.

Ab Herbst 2024 und im Rahmen von ExperTeam4KI werden nun neun weitere KI-Nachwuchsgruppen unter Leitung von Frauen aus der Informatik, Mathematik, Physik, Geowissenschaften, Computer Linguistik und Vision sowie aus KI-bezogenen Spezialisierungen in Anwendungsgebieten gefördert:

chAI: Korrigierbare hybride Künstliche Intelligenz

Dr. Gesina Schwalbe

Universität Lübeck
Institut für Softwaretechnik und Programmiersprachen

Website der Nachwuchsgruppe

01.09.2024 bis 31.08.2027 (01IS24058)

Motivation: Datengetriebene Methoden der Künstlichen Intelligenz (KI), insbesondere tiefe neuronale Netze (DNNs), bieten großes Potential für Automatisierung auch in sicherheitskritischen Anwendungen. Bei-spiele hierfür ist Umgebungswahrnehmung, z.B. per Kamera, in Robotik oder automatisiertem Fahren. Für den sicheren Einsatz müssen allerdings Prüf- und Korrigierbarkeit der Methoden garantiert sein. Leider scheitern DNNs aktuell an diesen Voraussetzungen: Diese rein statistischen Modelle sind groß und undurchsichtig. Außerdem erlauben sie weder ausreichend Garantien beim Prüfen des erlernten Wissens, noch gezielte Integration oder Korrektur symbolischen Wissens.

Ziele und Vorgehen: Die KI-Nachwuchsgruppe „chAI“ will daher neuartige Methoden entwickeln, mit denen symbolisches Wissen verifiziert und anschließend gezielt im DNN korrigiert sowie bei Training und Design eingebracht werden kann. Hierfür werden Verfahren aus dem Forschungsfeld der sogenannten Erklärbaren KI verwendet, um Informationen in den DNNs aufzudecken und zu verfolgen. Dafür werden verschiedene mathematisch-räumliche Eingriffspunkte er-forscht, über die Wissen eingebracht werden kann.

Innovationen und Perspektiven: Als Anwendungsbeispiele sollen im Vorhaben zum einen Umgebungswahrnehmung im autonomen Fahren und zum anderen Mensch-Maschine-Schnittstellen in der Heimrobotik dienen. Die Praxisnähe wird hierbei durch die assoziierten Industriepartner gestützt. Die zu entwickelnden Methoden sollen einen Beitrag zur Zertifizierung, zur Überwachung, sowie zur effizienten Entwicklung von Umgebungswahrnehmungsmoden und hybriden DNNs liefern. Damit soll das Projekt einen wertvollen Bei-trag zum Forschungsfeld der neuro-symbolischen KI und zum rechtskonformen und sicheren praktischen KI-Einsatz in Schlüsselbereichen leisten.

EMuLe: Verbesserung der Daten- und Modelleffizienz beim multimodalen Lernen

Dr. Zahra Ahmadi

Medizinische Hochschule Hannover
Peter L. Reichertz Institut für Medizinische Informatik

01.09.2024 bis 31.08.2027 (01IS24059)

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 wer-den 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 wer-den. 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 wer-den Ansätze wie die Auswahl von Stichproben und die Modellierung von Graphen untersucht, um begrenzte Datensätze optimal nutzen und die gegen-seitigen 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.

GINN: Geo-physikalisch-Informierte Neuronale Netze als Fortschritt für die Ingenieurpraxis

Dr. Merita Tafili

Ruhr-Universität Bochum
Lehrstuhl für Bodenmechanik, Grundbau und Umweltgeotechnik
Institut für Konstruktiven Ingenieurbau

01.09.2024 bis 31.08.2027 (01IS24065A-B)

Motivation: Diskontinuierliche Materialien sind die Grundlage einer Vielzahl von Objekten, von Kaffeebohnen über Pharmazeutika bis hin zu (Bergbau-)Böden und Eisenerz. Insbesondere für Projekte der Energiewende und der Umweltgestaltung sind solche Materialien von entscheidender Bedeutung. Die genaue Bestimmung ihres mechanischen Materialverhaltens ist jedoch kostspielig und komplex. Hier kommt der Einsatz von Künstlicher Intelligenz (KI) ins Spiel: Das Vorhaben „GINN“ wird geophysikalisch-informierte neuronale Netze (GINN) entwickeln, um das Verständnis und die Modellierung des Bodenverhaltens zu revolutionieren. So wird physikalisches Wissen mit KI als sogenannte In-formierte KI kombiniert.

Ziele und Vorgehen: GINN konzentriert sich auf den Einsatz von KI-Techniken in der Geotechnik und Bauingenieurwesen. Zu Beginn wird eine Deep-Learning-Netzwerkarchitektur entwickelt, um thermodynamische Gesetze und geophysikalische Stoffbeziehungen zu integrieren, die an verschiedene Bodenarten anpassbar sind. Anschließend wird der GINN-Ansatz mit selbst generierten künstlichen Daten und realistischen Labordaten trainiert und verfeinert, um inmitten komplexer Bodeneigen-schaften genaues Materialverhalten mit minimaler Probenahme zu erlernen. Schließlich wird das Modell auf spezielle Simulationen hochskaliert, um Genauigkeit zu maximieren und gleichzeitig Rechenkosten zu minimieren, damit die Resultate und eine beschleunigte Digitalisierung bestmöglich in der Ingenieurspraxis angewendet werden können.

Innovationen und Perspektiven: Durch den Einsatz von KI sollen bestehende Modelle verfeinert, übermäßige Sicherheitsfaktoren reduziert und Kosten optimiert werden. Virtuelle Darstellungen des Bodenverhaltens sollen Ingenieuren beispiellose Einblicke und schnelle Erkenntnisse ermöglichen. Alle in GINN gesammelten Erfahrungen und Ergebnisse werden den Weg für eine nachhaltige Infrastrukturentwicklung ebnen und neue Chancen in verschiedenen Branchen rund um Boden, Materialentwicklung und KI eröffnen.

MuMoL: Multimodales Lernen mit Ton-, Bild- und Textdaten

Dr. Almut Sophia Koepke

Technische Universität München
Lehrstuhl für Computer Vision und Künstliche Intelligenz

Website der Nachwuchsgruppe

01.10.2024 bis 30.09.2027 (01IS24060)

Motivation: Menschen nehmen ihre Umgebung mit all ihren Sinnen wahr, zum Beispiel durch Sehen, Hören und Tasten. Diese sensorischen Informationen werden dann zusammen mit Vorwissen verarbeitet, um ein allgemeines Verständnis der Außenwelt zu schaffen. Genau diese vollumfängliche Wahrnehmung soll auch beim Einsatz von Künstlicher Intelligenz (KI) nachgeahmt werden, um von ihr noch bessere und verlässlichere Unterstützung und Empfehlungen erhalten zu können. Eine beispielhafte Anwendung ist dabei das maschinelle Verstehen von Videos. Bisher konzentrieren sich Verfahren aber auf die visuelle Ebene. Dabei werden essentielle Informationen etwa durch Ton oder Textinhalte im Bild nicht berücksichtigt. Genau hier setzt die KI-Nachwuchsgruppe „MuMoL“ an.

Ziele und Vorgehen: Für eine umfassende und automatische Videoanalyse werden im Vorhaben neuartige Archtikturen und sogenannte multimodale Lernverfahren weiterentwickelt. Unter gezielter Ausnutzung der topologischen, also mathematisch räumlichen, Eigenschaften zwischen Datentypen, könnte das Verständnis längerer Videosequenzen erfolgreich umgesetzt werden. Hierbei wird auch die intelligente Erweiterung bereits existierender, sehr leistungsstarker, großer Sprach- und Bildmodelle untersucht, um die beschriebene Lücke zwischen der Audio- und der visuellen Modalität in Videodaten zu schließen.

Innovationen und Perspektiven: Die automatisierte Auswertung von Videos spielt in geradezu jeder Domäne eine relevante Rolle. Ein vollumfänglicheres Verständnis des Videoinhalts, beispielsweise durch die in MuMoL neuartige Einbettung verschiedener Modalitäten, hat daher starkes und breites Potenzial die Performance von KI-Systemen zu steigern. Die gesammelten Erfahrungen und Erkenntnisse werden beispielsweise durch einen später frei zugänglichen Datensatz sowohl der Forschung als auch der außerwissenschaftlichen Gesellschaft zur Verfügung gestellt.

OIDLITDSM: Operator-basiertes Training rekurrenter neuronaler Netze zur Zeitreihenanalyse und Modellierung komplexer dynamischer Systeme

Dr. Zahra Monfared

Universität Heidelberg
Interdisziplinares Zentrum für wissenschaftliches Rechnen IWR

01.09.2024 bis 31.08.2027 (01IS24061)

Motivation: Die Analyse von Zeitreihen, zum Beispiel bei Wetterdaten oder menschlichen Vitalfunktionen, hat mit Methoden der Künstlichen Intelligenz (KI) neue und mächtige Werkzeuge erhalten. Mit sogenannten Rekurrenten Neuronalen Netzen (RNN) kann das Verhalten eines Systems anhand vergangener Daten für die unmittelbare Zukunft zum Teil mit hoher Genauigkeit vorhergesagt oder Anomalien wie etwa Anzeichen von Herzrhythmusstörungen diagnostiziert werden – rein aus Zeitreihendaten, ohne ein explizites physikalisches Modell. Warum jedoch einige Algorithmen hier erfolgreicher sind als andere ist in großen Teilen immer noch eine „Black Box“, und die Forschung auf dem Gebiet ähnelt bisweilen nur Versuch-und-Irrtum-Strategien.

Ziele und Vorgehen: Auf mathematisch-numerischer Seite existiert eine Reihe von Ansätzen, um ein komplexes System, wie die „Wetterküche“ ihrem Wesen nach (z.B. langfristig eher periodisches oder chaotisches Verhalten) zu charakterisieren. Der entscheidende Gedanke in der KI-Nachwuchsgruppe „OIDLITDSM“ ist, ein neuronales Netz selbst als dynamisches System aufzufassen und in analoger Weise zu analysieren, um somit sein Verhalten erklärbar zu machen. Die Verbindung zwischen realer Dynamik und ihrer Nachahmung durch ein RNN soll dabei mit Hilfe der Methode der „Koopman-Operatoren“ hergestellt werden, ein bisher kaum verfolgter Ansatz.

Innovationen und Perspektiven: Perspektivisch ließe sich bereits während des Traingsprozesses der Algorithmus eines RNN systematisch mathematisch analysieren und optimieren. Andererseits lässt sich potentiell auch auf globaler Ebene – in Bezug auf das Langzeitverhalten – die Effektivität und Genauigkeit eines neuronalen Netzes beurteilen, mit der es sein reales Vorbild darstellt. Dies könnte in innovativen Ansätzen resultieren, neue interpretierbare Modellstrukturen zu identifizieren, die die Dynamik des realen Systems bestimmen, mit noch nicht absehbaren Anwendungen in den Finanz-, Neuro- oder Klimawissenschaften sowie medizinischer Diagnostik.

PBML-HM: Physikbasiertes Maschinelles Lernen für hierarchische Monitoringsysteme

Dr. Denise Degen

Helmholtz-Zentrum Potsdam
Deutsches GeoForschungsZentrum

01.09.2024 bis 31.08.2024 (01IS24062)

Motivation: In vielen Bereichen, die physikalisches Wissen erfordern, bieten Methoden der Künstlichen Intelligenz (KI) die Möglichkeit, komplexe nichtlineare Zusammenhänge aus großen Datensätzen zu extrahieren. Allerdings neigen solche KI-Modelle dazu, bei einer kleinen Datengrundlage unzuverlässig zu werden. Darüber hinaus sind die abgeleiteten Ergebnisse aus KI-Modellen meist nur schwer zu nachzuvollziehen. Dies ist auch ein Problem im Bereich der Geothermie zur Gewinnung von Energie aus dem Untergrund. Während der Konstruktion oder Operation einer Anlage können häufig kleinskalige seismische Ereignisse auftreten, die ein großes Risiko für geothermische Projekte darstellen und bis zum Abbruch des Betriebs führen können.

Ziele und Vorgehen: In der KI-Nachwuchsgruppe „PBML-HM“ sollen genau deshalb Lösungen für spärliche Datenlagen für den beschriebenen Anwendungsfall entwickelt werden. Dazu werden hybride Modelle eingesetzt, die physikalisches Wissen und KI-Methoden kombinieren. Dadurch können besser erklärbare und robustere Modelle entwickelt werden. Des Weiteren werden im Vorhaben Fehlerschätzer untersucht, die die Unsicherheiten der erstellten Modelle charakterisieren, welches mit den genannten Verlässlichkeitsaspekten die Grundlagen der KI erweitern. Die Einbeziehung der Physik hat dabei nicht nur Auswirkungen auf die Erklärbarkeit und Verlässlichkeit, sondern sorgt auch für eine deutliche Reduzierung der benötigten Datenmengen und dementsprechend des Energiebedarfes beim Nutzen der KI.

Innovationen und Perspektiven: Geothermische Energie ist ein entscheidender Faktor in der Energiewende, da sie eine grüne und grundlastfähige Energiequelle, unabhängig von Wetterbedingungen, darstellt. Mit den bisherigen Monitoringmethoden ist die sichere und effiziente Nutzung von geothermischen Anlagen häufig eine Herausforderung. Durch den neuartigen KI-Ansatz trägt das Vorhaben essentiell zur Weiterentwicklung von KI-Systemen bei und ermöglicht den Transfer auch in andere Echtzeitsysteme.

TimeXAI: Erklärbare Künstliche Intelligenz für Zeitreihen

Dr. Jennifer Hannig

Technische Hochschule Mittelhessen
Kompetenzzentrum für Informationstechnologie (KITE)

Website der Nachwuchsgruppe

01.09.2024 bis 31.08.2027 (01IS24063)

Motivation: Das Forschungsfeld der sogenannten Erklärbaren Künstlichen Intelligenz (XAI) hat das Ziel, Künstliche Intelligenz (KI) transparenter und interpretierbarer zu gestalten. Besonders bei sicherheitskritischen Anwendungen ist es essenziell, die algorithmischen Entscheidungen von intransparenten „Blackbox-Modellen“ nachvollziehen zu können. XAI-Methoden können dann für den Menschen verständliche Erklärungen für die Entscheidungsfindungen von KI-Modellen generieren. Diese Erklärungen liefern zum einen wertvolle Hinweise bei der Entwicklung und Optimierung der KI-Modelle und schaffen zum anderen Vertrauen bei Nutzern der Systeme.

Ziele und Vorgehen: Das Ziel der KI-Nachwuchsgruppe „TimeXAI“ ist die Entwicklung einer neuartigen XAI-Methode für die Klassifikationen von Zeitreihen, wobei ein starker Fokus auf der menschlichen Interpretierbarkeit der Erklärungen liegt. Zeitreihendaten kommen in allen Domänen vor, zum Beispiel die Messungen von Vitalwerten oder Ladezuständen von Batterien. Mit Hilfe verschiedener Evaluierungsansätze werden die Stärken existierender XAI-Methoden identifiziert und in einer neuen Methode kombiniert. Durch die Entwicklung eines offenen Datensatzes können die Projektarbeiten in einem experimentellen Setting evaluiert werden. Hierbei werden Testpersonen eine aktive Rolle einnehmen. Die Verfahren werden zusammen mit Kooperationspartnern für verschiedene Anwendungsdomänen evaluiert.

Innovationen und Perspektiven: In der Forschung und Entwicklung der letzten Jahre wurde eine Vielzahl vielversprechender XAI-Methoden im Bereich der Computer Vision entwi-ckelt. XAI-Ansätze für KI-Modelle zur Zeitreihenklassifikation sind jedoch unterrepräsentiert, obwohl der Bedarf an Lösungen groß ist und durch den enormen Anstieg an Sensordaten in Zukunft noch weiter ansteigen wird. Somit bieten die spezialisierten Verfahren aus „TimeXAI“ hohes Potential für zahlreiche Anwendungsfälle und große Innovationssprünge.

UDance: Dynamische Aktivitäten und Verhaltensweisen aus dem egozentrischen Blickwinkel verstehen

Dr. Xi Wang

Technische Universität München
Lehrstuhl für Computer Vision und Künstliche Intelligenz

01.10.2024 bis 30.09.2027 (01IS24064)

Motivation: Mit der zunehmenden Entwicklung und Verbreitung tragbarer Aufzeichnungsgeräte – wie Smartglasses und Bodycams – hat auch die Verfügbarkeit und Rolle von Videos aus dem egozentrischen Blickwinkel an Bedeutung gewonnen. Ein konkretes Beispiel sind Echtzeitsysteme zur Überwachung von sich ständig ändernden Parametern wie Vitalfunktionen. Die Anwendung von Methoden der Künstlichen Intelligenz (KI) hat hier enormes Potenzial, die Zusammenarbeit zwischen Mensch und Maschine aus dieser essentiellen Sichtweise zu verbessern. Dahingehende Ansätze konzentrieren sich aktuell aber hauptsächlich auf reine Hand-Objekt-Abläufe innerhalb isolierter Tätigkeiten. Realitätsnahe Situationen und Handlungen fehlen. Genau hier setzt die KI-Nachwuchsgruppe „UDance“ an.

Ziele und Vorgehen: Erstmalig wird in UDance vollumfängliches und vereinheitlichtes Wissen über die komplexen Wechselwirkungen zwischen Umwelt, Menschen und Gegenständen aus der egozentrischen Perspektive Form eines neuartigen „Foundation Model“ gebündelt. Dadurch könnte die komplexe und dynamische Beziehung zwischen menschlichen Absichten und Objekten in diversen Umgebungen verlässlicher modelliert und sogar vorhergesagt werden. Für die Umsetzung werden 3D-Hand und Körperbewegungen rekonstruiert und anschließend direkt in das Maschinelle Lernverfahren in einem 4D-Computer Vision Model integriert.

Innovationen und Perspektiven: In UDance wird sowohl die menschen- als auch objektzentrierte Perspektive beschrieben, erlernt und anschließend vorhergesagt. Diese innovativen Verfahren und das darunterliegende, umfassende Foundation Model werden dann prototpyisch auf einem Gerät der "Augmented Reality" getestet. Eine Übertragung auf andere Domänen, wie dem Ge-sundheitswesen und der Robotik, ist im weiteren Verlauf möglich.

VeraXtract: Verifikation und Extraktion von Desinformationsnarrativen mit individualisierten Erklärungen

Vera Schmitt

Technische Universität Berlin
Institut für Softwaretechnik und Theoretische Informatik

01.09.2024 bis 31.08.2027 (01IS24066)

Motivation: Durch die schnelle Verbreitung über soziale Medien und andere Online-Kanäle ist Desinformation zu einer ernsthaften Bedrohung für die gesellschaftliche Stabilität und Sicherheit geworden. Aktuelle Ereignisse wie der Ukrainekrieg und die Corona-Pandemie haben gezeigt, wie stark gezielte Falschinformationen und Intransparenz die öffentliche Meinung beeinflussen können. Genau hier setzt das Vorhaben „VeraXtract“ an.

Ziele und Vorgehen: Ziel des Projekts ist es, eine Plattform zu schaffen, die kontinuierlich verschiedene Informationsquellen überwacht, um Desinformationstrends zu erkennen und zu analysieren. Dabei werden Künstliche Intelligenz (KI) und Methoden der sogenannten Erklär-baren KI eingesetzt, um die erfassten Informationen verständlich darzustellen. Dies soll es Nutzern er-möglichen, Desinformationskampagnen und -narrativen auch über Ländergrenzen hinweg besser zu verstehen und darauf zu reagieren. Im Rahmen des Projekts werden mehrere Kernarbeiten durch-geführt. Dazu gehört die Extraktion und Zusammenfassung von gezielten Falschinformationen aus Texten, Bildern und Audiodateien, die Entwicklung einer Wissensdatenbank zur Speicherung und Analyse dieser Informationen sowie die Bereitstellung von verständlichen Erklärungen im Sinne der Be-nutzerfreundlichkeit. Besondere Aufmerksamkeit gilt der Transparenz und Nachvollziehbarkeit der Ergebnisse, um Vertrauen in die KI-Systeme zu schaffen.

Innovationen und Perspektiven: Langfristig sollen alle gesammelten Erfahrungen und Ergebnisse von „VeraXtract“ dazu beitragen, die Gesellschaft widerstandsfähiger gegen Desinformation zu machen. Die entwickelten Lösungen haben das Potenzial, nicht nur in Deutschland, sondern auch europaweit Anwendung zu finden und könnten in Zukunft die Grundlage für neue Standards in der Bekämpfung von Desinformation bilden. Hierzu werde die für das Vorhaben aufgearbeiteten Datensätze auf Fachkonferenzen publiziert und offen zur Verfügung gestellt.

Navigationsbereich

Suche

Seitenpfad und Links zu sozialen Netzwerken

KI-Nachwuchsgruppen unter Leitung von Frauen