Richtlinie zur Förderung von Forschungsprojekten zum Thema „Flexible, resiliente und effiziente Machine-Learning-Modelle“

Die Leistungsfähigkeit von Künstlicher Intelligenz (KI) hat sich in den letzten Jahren erheblich gesteigert. Dies ist vor allem auf Fortschritte im Bereich lernender Systeme zurückzuführen. Eine herausragende Bedeutung haben dabei tiefe künstliche neuronale Netze, die auf großen Datensätzen trainiert wurden. Solche Deep-Learning-Modelle werden mittlerweile erfolgreich in vielen Anwendungsbereichen eingesetzt. Beispiele sind Textgenerierung durch große Sprachmodelle, Bild- sowie Gesten- und Spracherkennung, Produktion, Handel, Finanz- und Versicherungswesen, Mobilität oder Medizin. Darüber hinaus beginnen lernende Systeme auch, den wissenschaftlichen Fortschritt zu beschleunigen. So können sie gezielt die Vorhersagequalität und Effizienz komplexer Simulationsmodelle, beispielsweise aus den Geowissenschaften, der Klimaforschung oder der Wirkstoffentwicklung, entscheidend verbessern und so zur Lösung von gesamtgesellschaftlichen, globalen Problemen beitragen.

Aktuelle Machine-Learning-Modelle sind meist auf eine bestimmte Aufgabe spezialisiert. Zukünftig werden jedoch flexible Modelle an Bedeutung gewinnen, die in der Lage sind, eine Vielzahl an Aufgaben zu lösen und mit unterschiedlichen Arten von Daten umzugehen. In Zukunft wird nicht nur vor dem Hintergrund des Klimawandels und der Energiekosten die Rechen- und Speichereffizienz von Machine-Learning-Modellen, die Anwendbarkeit gelernter Modelle für neue Aufgaben sowie ein auf die jeweilige Aufgabe flexibel angepasster Ressourceneinsatz immer wichtiger.

Gleichzeitig wachsen auch die Anforderungen an die Resilienz von lernenden Systemen im praktischen Einsatz. Dazu muss die Robustheit der Modelle gegenüber neuen oder sich veränderlichen Situationen erhöht werden. Auch müssen neue Ansätze gefunden werden, mit denen Limitierungen derzeitiger Deep-Learning-Modelle, zum Beispiel bei Sprachmodellen das Halluzinieren, überwunden werden können. Dafür werden neue Modellarchitekturen und Lernalgorithmen benötigt.

Mit der steigenden Komplexität der Modelle müssen Arbeitsgruppen vermehrt interdisziplinär und einrichtungsübergreifend zusammenarbeiten, um ihre Expertise sowie ihre Daten und Rechenressourcen zu teilen. Dazu gibt es einen Bedarf an allgemein verfügbaren herausfordernden Benchmark-Datensätzen und -Umgebungen, mit denen sich Flexibilität, Robustheit und Effizienz, aber auch Bias und Fairness verschiedener Systeme vergleichen lassen.

Mit dieser Richtlinie adressiert das Bundesministerium für Bildung und Forschung (BMBF) die oben genannten Herausforderungen. Die Förderrichtlinie zielt darauf ab, die Entwicklung von innovativen Machine-Learning-Ansätzen zur Verbesserung der Flexibilität, Resilienz und Effizienz von lernenden Systemen oder Simulationsmodellen entscheidend voranzubringen. Damit sollen die Nachhaltigkeit und Praxistauglichkeit von Machine-Learning-Modellen verbessert werden.

Gleichzeitig soll in Deutschland durch die Förderrichtlinie die arbeitsgruppenübergreifende Zusammenarbeit an gemeinsamen Machine-Learning-Modellen, das Teilen von Daten und Rechenressourcen sowie die interdisziplinäre Vernetzung zwischen dem Gebiet des Machine-Learning und anderen Fachdisziplinen und Anwendungsdomänen gestärkt werden. Dies soll die Entwicklung neuer Ideen und Forschungsansätze für lernende Systeme befördern und für den praktischen Einsatz relevante Problemstellungen und Herausforderungen bezüglich Flexibilität, Resilienz und Effizienz von Machine-Learning-Modellen verstärkt in den Fokus der KI-Forschung rücken. Außerdem soll die Verfügbarkeit von geeigneten Benchmark-Datensätzen und -Umgebungen gesteigert werden.

Diese Maßnahme dient der Umsetzung der KI-Strategie der Bundesregierung und deren Fortschreibung und trägt zu den Zielen der Zukunftsstrategie Forschung und Innovation der Bundesregierung bei. Sie stellt einen Beitrag zur Sicherung der digitalen und technologischen Souveränität Deutschlands und Europas und zur Nutzung der Potenziale der Digitalisierung dar.

Weitere Informationen entnehmen Sie bitte der Bekanntmachung.

Kontakt

Dr. Ulrike Wunram und Lars Mehwald
Telefon: + 49 30 67055 9690
E-Mail: datentechnologie@dlr.de