ACONITE: Künstliche Kognitive Bildgebung: Verstehen und verbessern, wie KI-Systeme ihre Umwelt wahrnehmen
In einem interdisziplinären Ansatz hat die KI-Nachwuchsgruppe „ACONITE“ sich zum Ziel gesetzt, neurowissenschaftliche Methoden und Konzepte aus dem Bereich des Repräsentationslernens bei Menschen und Tieren in der KI zu etablieren. Im Gegensatz zu aktuellen künstlichen neuronalen Netzen sind biologische neuronale Netze in unserem Gehirn sehr geschickt darin, aus nur wenigen Beispielen zu lernen. Der Fokus des Vorhabens ist deshalb, ein tieferes Verständnis der Struktur und Erklärbarkeit gelernter Repräsentationen zu erlangen, indem sogenannte kognitive Karten erstellt und analysiert werden. Des Weiteren sollen KI-Agenten in virtuellen Umgebungen untersucht werden, um zu lernen, wie die neuronalen Repräsentationen entstehen. Diese Grundlagen sollen dazu dienen, effizientere, interpretierbare und sicherere KI-Verfahren für Anwendungen zu entwerfen, die mit wenig annotierten Daten auskommen und in ihrer Funktionsweise erklärbar sein müssen
Ansprechpartner:
Max-Planck-Institut für Kognitions- und Neurowissenschaften, Leipzig
Projektblatt
ARL: Adversarial Resilience Learning - Eine hybride Architektur für künstliche Intelligenz in kritischen Infrastrukturen
Die Forschungsgruppe Adversarial Resilience Learning entwirft eine hybride Architektur für KI in kritischen Infrastrukturen (KRITIS). Sie kombiniert zwei wesentliche Bereiche: Die KI-Module bieten eine anpassungsfähige Beweglichkeit eines lernenden Systems, das seine künstlichen neuronalen Netze für eine anpassungsfähige Strategie selbst weiterentwickelt. Die gelernten Strategien werden über einen Erklärbarkeitsansatz extrahiert. Sie werden so Teil des zweiten Moduls, das die regelbasierten, auf Logik basierten Zusicherungen klassischer KRITIS-Modellierung nutzt. Das System kann so lernen, menschen- und domänenexklusives Wissen zu nutzen und trotzdem garantiert sicheres Verhalten für KRITIS zu liefern.
Ansprechpartner:
Carl von Ossietzky Universität Oldenburg, Department für Informatik - Energieinformatik
Projektblatt
AULA-KI: Adaptive Umgebungsabhängige Lokalisierung von autonomen Fahrzeugen durch Methoden der künstlichen Intelligenz
Ziel des Vorhabens AULA-KI ist es, Lokalisierungsinformationen für autonome Fahrzeuge immer und überall zur Verfügung zu stellen. Hierzu werden in diesem Projekt Methoden der Künstlichen Intelligenz angewendet und weiterentwickelt, um die vorhandenen Sensoren und Lokalisierungsinformationen hinsichtlich ihrer Qualität zu bewerten, zu verbessern und mit Informationen aus der Umgebung (Infrastrukturkommunikation) zu vereinen. Konzepte aus dem Bereich Schwarmintelligenz erweitern diesen Ansatz auf Schwärme von autonomen Fahrzeugen, die sich gegenseitig unterstützen, um eine effiziente, sichere und flexible Mobilität zur Verfügung zu stellen.
Ansprechpartner:
Otto-von Guericke-Universität Magdeburg
Projektblatt
BirdNET-Plus: KI-gestütztes Bioakustik-Monitoring zum Schutz von gefährdeten Tierarten und Habitaten
Akustisches Monitoring der Fauna ist eines der wichtigsten Werkzeuge, um die Biodiversität und den Zustands eines Habitats zu erfassen. Verwerfungen im biologischen Gleichgewicht sind oft durch Veränderungen in der Zusammensetzung von Vogelpopulationen sehr gut erkennbar. Tierstimmen automatisiert zu erkennen, allen voran die Lieder und Rufe von Vögeln, ist dabei von besonderer Bedeutung. Techniken aus dem Bereich der Künstlichen Intelligenz (KI) sind dafür besonders geeignet. Erkennungsalgorithmen wie BirdNET (und ihre Anwendung in der gleichnamigen Smartphone-App), können bereits heute viele hundert Arten unterscheiden und detektieren. Ziel des Vorhabens „BirdNET-Plus“ ist es, BirdNET weiterzuentwickeln, wobei damit vor allem die Robustheit des Erkennungsalgorithmus gesteigert, die Einsatzmöglichkeiten von BirdNET erweitert und Nutzbarkeit für Forschende ohne breites technisches Grundwissen verbessert werden soll. Dabei arbeiten Experten aus den Bereichen Deep Learning, Softwareengineering, Datenvisualisierung und Ökologie zusammen, um ein umfangreiches und zugängliches KI-gestütztes Monitoring-Werkzeug für Biologen, Umweltschützer und Bürgerwissenschaftler zu schaffen.
Ansprechpartner:
Technische Universität Chemnitz, Professur Medieninformatik, Chemnitz
Projektblatt
DynaFoRo: Selbstlernende dynamische Fortbewegung mobiler Roboter
Ziel der interdisziplinären KI-Nachwuchsgruppe ist es, durch den Einsatz von Maschinellem Lernen die dynamische Fortbewegung von realen Robotern verschiedener Fortbewegungsarten zu optimieren, um das Sim-to-Real Gap zu überwinden. Dabei sollen zwei Maschinelle Lernansätze, das hybride und das geführte bestärkende Lernen (Guided Reinforcement Learning RL) erforscht werden. Das hybride Lernen soll die klassischen Verfahren jedoch nicht ersetzen, sondern sie dort gezielt durch Maschinelles Lernen ergänzen, wo sie tatsächlich eine Mehrleistung erbringen können. Guided RL ermöglicht durch Integration vorhandenen Domänenwissens das selbständige Lernen komplexer Regelungsaufgaben für Roboter in der echten Welt.
Ansprechpartner:
Fraunhofer Institut für Materialfluss und Logistik
Projektblatt
EQUIPE: Skalierbare, effiziente Methoden zur Quantifizierung von Unsicherheiten in der KI-basierten Zeitreihenvorhersage
EQUIPE beschäftigt sich mit der Quantifizierung von Unsicherheiten in großen KI-Modellen für die Zeitreihen-Vorhersage, sogenannte Transformer-Netzwerke. Diese Netzwerke sind zwar in der Lage eine hohe Vorhersagegenauigkeit zu erzielen, benötigen jedoch immense Rechenressourcen. Gängige Ansätze zur Fehlerabschätzung in neuronalen Netzen sind in gleichem Maße rechenintensiv, was ihren Einsatz in Transformern derzeit noch erheblich erschwert. Die Forschungsarbeiten zielen darauf ab, diese Probleme zu beheben und skalierbare Algorithmen zur Quantifizierung von Unsicherheiten in großen neuronalen Netzen zu entwickeln. Hierfür werden Ansätze des verteilten, datenintensiven Rechnens und des Hochleistungsrechnens (HPC) verwendet.
Ansprechpartner:
Karlsruher Institut für Technologie
Projektblatt
FEAT: Flexibel, Erklärbar, Akkurat – Maschinelles Lernen in komplexen Systemen unter Unsicherheit
Im Projekt verfolgt eine Nachwuchsgruppe der Uni Tübingen in Zusammenarbeit mit dem DLR einen modularen NN-Aufbau aus mehreren unabhängigen Netzen anhand eines Anwendungsproblems aus der Energieforschung. Dabei sollen Strompreise innerhalb des Energiemarktmodells AMIRIS vorhergesagt werden. Übergeordnetes Ziel ist dabei, flexible und robuste NN-Architekturen zu entwerfen, deren Arbeitsweise erklärbar ist und die sich gegen die Unsicherheiten aus verschiedenen Datenquellen präzise kalibrieren lassen. Mit den Daten aus AMIRIS kann dann genau nachvollzogen werden, ob – und vor allem warum – Unsicherheiten der Vorhersage der neuronalen Architektur das Anwendungsproblem realistisch wiedergeben.
Projektpartner:
Universität Tübingen, Deutsches Zentrum für Luft- und Raumfahrt e.V., Institut für vernetzte Energiesysteme
Ansprechpartner:
Universität Tübingen
Projektblatt
FFS-AI: Entwurf und Konstruktion einer KI-Plattform auf Basis gefächerter Merkmalsräume
Ziel ist es, eine KI-Plattform auf Basis von sogenannten Merkmalsräumen zu erforschen und zu entwickeln. Ein Merkmalsraum ist ein mathematischer Raum, der ein Objekt durch dessen Messwerte in Bezug auf dessen individuelle Merkmale bestimmt. Diese mathematisch zu modellierenden Merkmalsräume sind dabei eine universelle Repräsentation für Eingangsdaten, die es ermöglichen ganz unterschiedliche Anwendungen und Systeme mit KI-Verfahren auszustatten
Ansprechpartner:
Universität Potsdam
Projektblatt
GPN42P: Generative Präzisionsnetzwerke für Teilchenphysik
In diesem Projekt erforscht die Nachwuchsgruppe GPN42P die Möglichkeit, die Effizienz und Präzision der Simulationen mit Hilfe von generativen Netzwerken zu verbessern und somit die Nachweissicherheit bei der Suche nach neuen Teilchen zu erhöhen. In Experimenten in der Teilchenphysik wird die Abgabe von Energie an sogenannte Kalorimeter gemessen. Statt der eigentlichen Teilchen wird so nur ein indirektes Bild einer Kollision erhalten. Durch sogenanntes Unfolding, dem Umkehren der vorher genannten Simulationen, kann von den Messungen auf Teilchenwechselwirkungen zurückschlossen werden. Generative Modelle können diesen Vorgang grundlegend verbessern, indem sie auch hochdimensionale Daten berücksichtigen. In diesem Projekt sollen die Präzision dieser Netzwerke weiter verbessert und die relevanten Unsicherheiten bestimmt werden, um eine Anwendung am LHC zu ermöglichen
Ansprechpartner:
Ruprechts-Karls-Universität Heidelberg
Projektblatt
HyTea: Model for Hybrid Teaching
Ziel der interdisziplinären KI-Nachwuchsgruppe ist es, ein multimodales Tutoring System unter Berücksichtigung des Alignment-Problems zum Trainieren von Präsentationsfähigkeiten, wie Körperhaltung, Verwendung von Pausen und Stimmbetonung, für den Einsatz im Fernunterricht zu entwickeln. Der Multimodal Tutor soll verschiedene spielorientierte, immersive Szenarien auf einem Mixed-Reality-Headset bereithalten, damit Lernende eigenständig trainieren können. Weiterhin soll der Multimodal Tutor durch KI-generiertes Feedback unterstützt werden. Die menschlichen Experten sollen den Lernprozess asynchron über ein Alignment Dash-board begleiten. Sie können sowohl die Leistung der Lernenden als auch die Qualität des KI-Feedbacks bewerten und sicherstellen, dass das KI-Feedback korrekt auf die Lernziele ausgerichtet ist.
Ansprechpartner:
Leibniz-Institut für Bildungsforschung und Bildungsinformation
Projektblatt
IRRW: Skalierung des inversen Ansatzes zur Bildanalyse
Im Vorhaben soll durch die KI-Nachwuchsgruppe unter Leitung von Prof. Egger untersucht werden, inwieweit mit sogenannten, generativen Modellen und inversen Methoden die bestehenden Beschränkungen überwunden werden können. Diese Modelle und Methoden zielen darauf ab, dreidimensionale Objekte, ihre Materialeigenschaften, ihre Position sowie die Beleuchtungssituation als Szene aus einem Bild zu rekonstruieren. Die dahinterstehende Idee basiert darauf, die menschliche Wahrnehmung (Erkennen von Objekten und Situationen) mit KI-technischen Hilfsmitteln nachzuempfinden.
Ansprechpartner:
Friedrich-Alexander-Universität Erlangen-Nürnberg
Projektblatt
Metrics4NLG: Evaluationsmetriken für Textgenerierungssysteme aus dem Bereich Natürliche Sprachverarbeitung
Die KI-Nachwuchsgruppe Metrics4NLG hat sich zum Ziel gesetzt, eine neue Generation von Evaluationsmetriken für die KI-basierte Generierung von Texten zu erarbeiten. Dabei liegt der Fokus auf Effizienz, Erklärbarkeit und Robustheit der Metriken. Darüber hinaus sollen die Metriken dem neuesten Stand des Tiefen Lernens entsprechen und nicht nur einzelne Sätze, sondern ganze Texte im Kontext evaluieren können. Auch in zeitsensitiven Szenarien, z. B. wenn sie die Qualität von Übersetzungen aus historischen in moderne Sprachen bemessen, sollen die Metriken adäquat funktionieren.
Ansprechpartner:
Universität Bielefeld
Projektblatt
ML-Expert: Automatisierte Modellbildung und -validierung dynamischer Systeme mittels des maschinellen Lernens sowie a priori Expertenwissen
Ziel der Nachwuchsgruppe „ML-Expert“ ist es, eine hybride Modellbildung dynamischer Systeme zu entwickeln, die sowohl das Daten- als auch Expertenwissen einbezieht. Dazu wird u. a. untersucht, wie a priori festgelegte Modellstrukturen sowie systemtheoretische Modelleigenschaften auf unterschiedlichen Abstraktionsebenen in den Modellbildungs-prozess integriert werden können. Darauf aufbauend sollen automatisierbare Methoden- und Softwarepakete erarbeitet werden, welche die Datengenerierung, den eigentlichen Modellierungsprozess sowie die abschließende Validierung umfassen. Hierdurch soll die Modellgüte in Bezug auf Genauigkeit, Robustheit und Komplexität für verschiedene Anwendungsdomänen entscheidend beschleu-nigt und verbessert werden.
Ansprechpartner:
Universität Paderborn
Projektblatt
MultiML: Multikriterielles Maschinelles Lernen - Effizienz, Robustheit, Interaktivität und Systemwissen
Der zentrale Forschungsaspekt der KI-Nachwuchsgruppe beim Vorhaben MultiML ist die Entwicklung von Methoden zur Mehrzieloptimierung, die das Training tiefer neuronaler Netze robuster, effizienter sowie interaktiver machen. Darüber hinaus ermöglicht die Einbindung von Expertenwissen, extrem effiziente, auf bestimmte Problemklassen zugeschnittene Methoden zu konstruieren. Mit diesen Fort-schritten steigen jedoch auch die Herausforderungen bezüglich Konstruktion und Training der tiefen neuronalen Netze, z. B. an die benötigten Datenmengen, die Trainingseffizienz sowie die Anpassungsfähigkeit an sich ändernde äußere Einflussfaktoren. Um diese Forschungsziele umzusetzen, bedarf es eines interdisziplinären Ansatzes aus den Bereichen der Optimierungsforschung, des Maschinellen Lernens sowie der Physik und den datengetriebenen Ingenieurwissenschaften.
Ansprechpartner:
Universität Paderborn
Projektblatt
Polke: KI in der Bildung: Pädagogisch orientierte Extraktion von sprachlichem Wissen und Generierung natürlicher Sprache mit steuerbarer Lesbarkeit
Ziel der interdisziplinären KI-Nachwuchsgruppe ist es, zum einen mithilfe maschineller Sprachverarbeitung ein L2-Wissensextraktor (Zweitsprache) zur besseren Darstellung von L2-Wissen zu entwickeln. Zum anderen soll eine steuerbare NLG-Technologie (Natural Language Generation) zur Sprachgenerierung entwickelt werden, welche für Anwender mit heterogenen Sprachkenntnissen, insbesondere L2-Anwender, verständlich ist. Dadurch soll die KI-generierte Sprache leichter zugänglich für die Zielgruppe sowie die Akzeptanz und der Nutzen der NLG-Technologie erhöht werden. Das Lösungskonzept beinhaltet eine pädagogische Ausrichtung der L2KR-Technologie, um auch die Entscheidungsprozesse von intelligenten Sprachlernsystemen transparenter, erklärbarer und verständlicher zu gestalten.
Ansprechpartner:
Eberhard Karls Universität Tübingen, Hector-Institut für Empirische Bildungsforschung
Projektblatt
RL4CES: Reinforcement Learning for Cognitive Energy Systems
Das Projekt RL4CES untersucht die Potentiale von intelligenten Algorithmen, sich selbständig an neue Situationen optimal anzupassen. Dazu wird speziell an der Methode des Deep Reinforcement Learning (DRL) geforscht und das Ziel verfolgt, DRL zur Entscheidungsunterstützung und Prozessautomatisierung in die industrielle Anwendung zu integrieren. Um DRL in der Energiewirtschaft erfolgreich einsetzen zu können, werden im Projekt Methoden entwickelt, die den Einsatz von DRL sicherer, effektiver, erklärbar und kostengünstig machen. Um die Anwendung der entwickelten Methoden in der Praxis zu demonstrieren, werden die zwei Anwendungsfälle Automatisierte Netzsteuerung und Automatisierter Energiehandel betrachtet.
Ansprechpartner:
Universität Kassel
Projektblatt
SCINEXT: Neural-Symbolic Scholarly Innovation Extraction - Extraktion von Wissen aus wissenschaftlichen Publikationen
Ziel des Vorhabens ist es, KI-basiert Dienste für repetitive, maschineninterpretierbare wissenschaftliche Erkenntnisse als semantisches Netz einzurichten. Informationen über Innovationen, die im textbasierten Diskurs verborgen sind, werden automatisch als maschinenverarbeitbare Ressourcen extrahiert, um sie in neuartigen, nachgelagerten IT-Anwendungen wie dem ORKG wiederzuverwenden. Damit können z. B. automatisiert Forschungsinnovationen verglichen, intuitiv visualisiert und recherchiert werden. Im Rahmen von SCINEXT wird eine Reihe von Lernprogrammen implementiert, die traditionelle regelbasierte KI-Ansätze, sogenannte symbolische KI, mit modernen Deep-Learning-Techniken kombinieren. Dadurch soll Wissen, das einer gegebenen Strukturierung folgt, automatisch extrahiert und hieraus komplexe, semantische Beziehungen in Form eines wiederverwendbaren semantischen Netzes erzeugt werden.
Ansprechpartner:
Technische Informationsbibliothek (TIB)
Projektblatt
SCTL: Was, Wo, und Wann? - Multimodales selbstüberwachtes Lernen zur Erfassung räumlich-zeitlicher Konzept
Das Projekt „STCL“ bringt die Forschung im Bereich der Videoanalyse voran, indem neuronale Netze trainiert werden, die diese Aspekte, „Was passiert wann und wo in einem Video?“, erlernen und automatisch erkennen können. Verwendet wird dabei das sogenannte multi-modale selbstüberwachte Lernen, das es erlaubt Konzepte wie Objekte und Handlungen ohne menschliche Annotation zu lernen. Dazu werden semantische Merkmale innerhalb mehrerer Modalitäten, wie z. B. Text, Video, und Audio, erfasst und miteinander abgeglichen. Die verschiedenen Modalitäten werden dazu in eine gemeinsame hochdimensionale Darstellung projiziert und können dort z. B. anhand ihrer Nachbarschaftsverhältnisse verglichen werden. Somit wird eine Annotation einzelner Daten überflüssig. Erst dies ermöglicht es, Modelle auf genügend großen Datenmengen zu trainieren. Darüber hinaus lässt sich anhand der Aktivierungen innerhalb des neuronalen Netzes erkennen, wann und wo z. B. eine bestimmte Handlung stattgefunden hat oder wo sich ein Objekt befindet.
Ansprechpartner:
Universität Frankfurt am Main
Projektblatt
Themis: Nutzung von Hintergrundwissen zum Verständnis und zur Modellierung komplexer Systeme
Die KI-Nachwuchsgruppe Themis befasst sich mit Wissensextraktion und Wissensintegration für Maschinelles Lernen. Das Projekt zielt darauf ab, Methoden zur Wissensextraktion zu entwickeln, um komplexe Systeme entlang dreier Achsen zu erklären und zu verstehen: horizontal (Interaktionen zwischen Komponenten des Systems), vertikal (Unterschiede in den gesammelten Daten, wie etwa für unterschiedliche Personengruppen), sowie temporal (über die Zeit). Darüber hinaus werden die Grenzen sowie das Potenzial von Wissensintegration in praktischen Anwendungen untersucht und optimiert. Die entwickelten Methoden sollen in Fallstudien und Projekten mit Anwendern erprobt werden.
Ansprechpartner:
Universität Rostock
Projektblatt
TriFORCE: Erlernen adaptiver wiederverwendbarer Fähigkeiten für intelligente autonome Agenten
Das Tiefe Verstärkende Lernen (englisch: Deep Reinforcement Learning, DRL) bietet vielfältige Anwendungsbereiche. Diese reichen von alltäglichen Anwendungen, z. B. in den Bereichen Gesundheitswesen, Finanzen und Robotik, bis hin zu eher theoretischen Optimierungsproblemen. Trotz großer Erfolge nutzen die bisherigen Algorithmen Daten und Rechenressourcen immer noch sehr ineffizient. Die KI-Nachwuchsgruppe TriFORCE befasst sich mit diesen Problemen, um so die Anwendung der DRL-Algorithmen auf komplexe reale Probleme zu übertragen und zu vereinfachen. Im Einzelnen werden in diesem Projekt die folgenden grundlegenden Herausforderungen adressiert: Das DRL praktisch umzusetzen, wird oft durch die hohen Rechen- und Datenanforderungen behindert. Zusätzlich wird aktuell immer noch menschliche Aufsicht benötigt, um DRL-Experimente einzurichten und durchzuführen. Die Parameter müssen umfangreich justiert werden, da die Agenten sonst nicht zuverlässig agieren können. Um DRL bei heterogenen realen Problemen einsetzen zu können, ist es entscheidend, dass sich die entwickelten Algorithmen an zuvor unbekannte Probleme anpassen können. In diesem Projekt soll gezeigt werden, dass diese scheinbar unterschiedlichen Herausforderungen gemeinsame Ursachen haben, die durch eine einheitliche Sichtweise sowie eine gemeinsame Herangehensweise zu effizienteren und damit praktischeren Algorithmen führen.
Ansprechpartner:
Technische Universität Darmstadt
Projektblatt
UnrEAL: Unsicherheitsquantifizierung und Effiziente Annotationsprozesse für Deep Learning
Das Projekt „UnrEAL“ entwickelt Methoden, um die Unsicherheit von KI zu erkennen und zu quantifizieren, um wenig Bedarf an manuell erzeugten Annotationen (aktives Lernen) zu haben und um Fehler in manuell erzeugten Bildannotationen zu detektieren. Dazu wird zuerst der Informationsfluss in tiefen neuronalen Netzen gemessen und analysiert. Anschließend werden Methoden entwickelt, die eine gleichzeitige Annotation und Modellbildung betreiben (aktives Lernen). Dabei wird ein Verfahren entwickelt, das es erlaubt, Bildregionen für die Annotation vorzuschlagen. Dieses wird dann in einen Annotationsprozess integriert, der immer die Bilder oder Bildregionen vorschlägt, welche besonders wichtig für die weitere Klassifikation sind. Dadurch kann die benötigte Anzahl von Daten reduziert werden. Weiterhin werden Ansätze erforscht, die Annotationsfehler entdecken. Dazu werden zuerst Vergleichsdatensätze auf-bereitet, bei denen die Annotationsfehler bekannt sind. Dann werden verschiedene Methoden erprobt, die diese bekannten Fehler vorhersagbar machen.
Ansprechpartner:
Bergische Universität Wuppertal
Projektblatt
White-Box-AI: Transparente Entscheidungsunterstützung durch interpretierbare Machine-Learning-Modelle
Das Forschungsvorhaben verfolgt als primäre Ziele, neue, interpretierbare White-Box-KI-Modelle zu entwickeln und Erkenntnisse über die Akzeptanz dieser KI-Modell zu gewinnen. Diese zwei Ziele sind eng miteinander verwoben und beeinflussen sich gegenseitig. Zum einen werden die gelernten Abbildungsvorschriften der White-Box-KI-Modelle visuell dargestellt. Damit können Experten, unter anderem Fehler oder Bias-Effekte in den darunterliegenden Daten sowie in der Modellabbildung erkennen. Zum anderen sollen Experten ihr Wissen in die White-Box-KI zurückspielen können. Dazu werden Nebenbedingungen in den Optimierungsproblemen zum Lernen der KI entwickelt, die das Expertenwissen widerspiegeln.
Ansprechpartner:
Friedrich-Alexander-Universität (FAU)
Projektblatt
