Das Lamarr Fellowship: KI made in NRW
Das „Lamarr Fellow Network Ramp Up“ – ein Förderprogramm des Landes Nordrhein-Westfalen (NRW) – würdigt international renommierte KI-Forschende aus NRW und bindet sie frühzeitig in das wissenschaftliche Ökosystem des Lamarr-Instituts ein. Damit bündelt es führendes Know-how im Bereich der Künstlichen Intelligenz und stärkt die nationale und internationale Sichtbarkeit der KI-Forschung aus NRW.
Zu diesem Zweck fördert das Lamarr Fellowship Forschungsprojekte zu Algorithmen, Methoden und Theorien der Künstlichen Intelligenz, die im Einklang mit der Vision des Lamarr-Instituts stehen. Die Projekte legen somit den Grundstein für die langfristige Zusammenarbeit zwischen dem Lamarr-Institut und den Fellows. Die sechs Lamarr Fellowships wurden nach positiver Bewertung durch eine internationale Expert*innenkommission im Rahmen von drei Auswahlrunden vergeben.
Lernen Sie unsere Fellows und ihre Projekte im Folgenden kennen.
Unsere Fellows und ihre Forschungsprojekte
Vertrauenwürdige KI für die räumlich-zeitliche Datenanalyse und ihre Anwendung für die großen Herausforderungen der Menschheit
Wachsende Datenquellen zu existenziellen Herausforderungen, wie der Klimawandel und die Trinkwasserversorgung, eröffnen die Möglichkeit, diese Phänomene besser zu verstehen und somit fundierte Entscheidungen zu treffen – unterstützt durch KI-Methoden. Das Projekt befasst sich mit zwei besonderen Herausforderungen: der Forderung nach Vertrauenswürdigkeit, indem Menschen die Gründe für Entscheidungen von KI-Technologien überprüfen können, und der Flexibilität der KI im Umgang mit den in diesem Zusammenhang auftretenden räumlich-zeitlichen Informationen.
Web-basiertes, hybrides und erklärbares Maschinelles Lernen
Wissensdatenbanken sind ein integraler Bestandteil des Internets und damit des Lebens von über 5 Milliarden Menschen. Die darin enthaltenen Informationen werden für eine Vielzahl von algorithmischen Entscheidungen in Domänen wie der Websuche, Empfehlung und Personalisierung verwendet. Erklärbare Algorithmen für das Lernen auf Wissensgraphen sind daher für die ethische und gesetzeskonforme Umsetzung von Maschinellem Lernen im Web unverzichtbar. Das Ziel des WHALE-Projekts ist daher die Entwicklung neuartiger Methoden des Maschinellen Lernens, die die Grundlage für erklärbare algorithmische Entscheidungen im Web bilden. Diese Methoden sind so konzipiert, dass sie sich an das Volumen, die Komplexität und weitere Besonderheiten realer Wissensgraphen anpassen lassen.
Die Entwicklung hybrider maschineller Lernverfahren für inverse Darstellungs- und Sehprobleme
In vielen Anwendungen in Medizin, Biologie, Physik oder industrieller Produktion ist es nicht möglich, direkt ein Bild eines zu untersuchenden Objekts aufzunehmen. Stattdessen werden Daten aufgezeichnet, die implizit Rückschlüsse auf das tatsächliche Bild zulassen, zum Beispiel in der Computertomographie. Dieses Projekt befasst sich damit, wie physikalisches Wissen über die Messprozesse in maschinelle Lernverfahren integriert werden kann. Ziel ist es, hybride Lernmethoden zu verwenden, die weniger Trainingsdaten erfordern. Da sie modellbasiert sind, sind diese Methoden auch besser interpretierbar und robuster gegenüber Angriffen beim Training oder bei der Inferenz, während sie gleichzeitig von der Leistungsfähigkeit moderner datengesteuerter Techniken profitieren.
Neuronale Netzwerkarchitekturen
Dieses Projekt konzentriert sich auf die Gestaltung und Analyse beschleunigter Deep-Learning-Techniken für datengesteuerte Lernprobleme und für modellgesteuerte wissenschaftliche Berechnungsprobleme, zum Beispiel in Form von optimalen Steuerungsproblemen für Roboter und Multikopter oder in Form von parametrischen partiellen Differentialgleichungen wie den parametrischen Navier-Stokes-Gleichungen aus der Strömungsmechanik. Ein zentraler Ansatz dieses Projekts ist die Ableitung verbesserter neuronaler Netzwerkarchitekturen durch die Kombination effizienter deterministischer traditioneller numerischer Methoden mit fortschrittlichen neuen Techniken der künstlichen Intelligenz.
Vertrauenswürdigkeit tiefer generativer Modelle
Dieses Projekt adressiert die faire und verantwortungsvolle Nutzung generativer Text-Bild-Modelle und zielt darauf ab, Instrumente zu entwickeln, um potenziellen gesellschaftlichen Risiken zu begegnen, die durch die jüngsten Entwicklungen in dieser Technologie entstehen. Der Schwerpunkt liegt dabei insbesondere auf folgenden Bereichen: (a) zuverlässige und robuste Erkennung generierter Bilder, (b) robuste generierte Bilder, (c) robuste Modell-Wasserzeichen-Techniken zur Erkennung und Zuordnung sowie (d) Angriffe und Abwehrmaßnahmen im Zusammenhang mit der Ableitung von Mitgliedschaften. Das Projekt soll dazu beitragen, die Probleme der Desinformation, der unethischen Datennutzung und Verletzung der Privatsphäre im Zusammenhang mit generativen Modellen zu lösen.
Vertrauenswürdige Integration von großen Sprachmodellen in Interaktiven Mensch-Maschine-Systemen
So beeindruckend große Sprachmodelle auch sind, ihre Probleme sind ebenso vielfältig. Im Vergleich zu anderen IT-Anwendungen sind sie teuer, umständlich und unzuverlässig, und sie haben keinen Zugang zu externem Wissen. In diesem Projekt werden neue Mechanismen des Maschinellen Lernens untersucht, um den sicheren und gewinnbringenden Einsatz von Sprachmodellen in Mensch-Computer-Dialogsystemen zu ermöglichen. Die zentrale Frage, die im Rahmen dieses Projekts beantwortet werden soll, lautet: Wie und wo ist es sinnvoll und verantwortungsvoll, große Sprachmodelle in ein interaktives Mensch-Computer-Dialogsystem zu integrieren? Das Projekt liegt somit an der Schnittstelle zwischen menschenorientierter Künstlicher Intelligenz, vertrauenswürdiger Künstlicher Intelligenz und linguistischer Datenverarbeitung.
Updates aus unserem Fellow-Netzwerk
Bleiben Sie über die neuesten Projekte, Forschungsergebnisse und Aktivitäten unserer Lamarr-Fellows – führende Innovator*innen in der KI-Forschung – auf dem Laufenden.
