Hyperparameter Tuning (oder Hyperparameteroptimierung) ist ein wichtiger Schritt im Prozess der Entwicklung und Optimierung künstlicher Intelligenz (KI Modell). Hyperparameter sind die externen Parameter, die das Verhalten des KI-Modells kontrollieren und von den...
Durch maschinelle Lernverfahren erstellte Modelle verlieren ihre Gültigkeit, wenn sich die statistischen Eigenschaften der Eingabedaten, auf denen sie operieren, ändern. Solche Änderungen bezeichnet man als Drift. Ursachen können vielfältig sein, wie z.B. saisonale...
Medizinische Daten werden im Alltag in Krankenhäusern und im Gesundheitssektor generiert und gespeichert. Aus Datensicherheits- und Datenschutzgründen ist die Verwendung solcher Daten für die Entwicklung von auf künstlicher Intelligenz- (KI) basierenden...
Sensorbasierte Erkennung von Bewegungsmustern und Aktivitäten erlaubt die automatisierte Beurteilung von Fitnessaktivitäten. Hierbei verwenden multimodale Modelle Informationen aus mehreren Datenquellen, um akkurate Aussagen über die Qualität der Ausführungen zu...
Große vortrainierte KI Sprachmodelle (LLMs) zeigen erstaunliche emergente Fähigkeiten, die sich für eine Vielzahl von industriellen Anwendungen nutzen lassen. Das Weltwissen ist dabei in den Parametern des Modells dargestellt und diese Parameter lassen sich über...
In der sich ständig weiterentwickelnden Landschaft der künstlichen Intelligenz (KI) ist es entscheidend, neue Ansätze für die Darstellung und Interaktion mit KI-Modellen zu entwickeln. Unser Dienstangebot konzentriert sich darauf, KI-Modelle für die Ko-Intelligenz zu...
Fraunhofer IAIS arbeitet mit Partnern aus der deutschen Industrie zusammen und unterstützt sie bei der Einführung von LLMs unter Verwendung von Unternehmensdaten und bei der Entwicklung von Proof of Concepts. Das Fraunhofer IAIS hilft Ihnen, die folgenden...
Das DFKI bietet die neusten State-of-the-Art Methoden aus der Spracherkennung gepaart mit Sensoren oder anderen Methoden an.
ChatGPT hat eindrucksvoll gezeigt, wie das Lernen von Auswahlstrategien auf Basis von menschliches Feedback die Performance von Sprachmodellen verbessern konnte (bei der initialen Nutzbarkeit von Chat-GPT versus dem GPT-3 Basismodell). Viele der Techniken zum...
Simulationen können komplexe ungesehene Phänomene vorhersehen, während maschinelles Lernen insbesondere bestehende Beobachtungen generalisieren kann. Beide Arten des Computational Engineerings eignen sich dazu durch den Einsatz massiver Rechenpower physikalische...
Neuronale Netze können heute oft auf Basis von Rohdaten lernen. Jedoch gibt es viele Gründe dafür die Phase der Merkmalsextraktion getrennt zu betrachten. Zum einen kann dies das Fehlen von genügend annotierten Daten sein, zum anderen kann es auch Sinn machen...
Eine große Schwäche von herkömmlichen Methoden des maschinellen Lernens ist die große Menge an Daten, die für das Trainieren benötigt werden. Das Few Shot oder One Shot Learning bietet die Möglichkeit mit sehr kleinen Datenmengen performante Modelle zu trainieren....
Das KIT optimiert ihre existierenden kleinen und großen neuronalen Netzwerke und passt existierende Architekturen semiautomatisch auf ihre Bedürfnisse an. Der Entwurfsraum für Neuronale Netzarchitekturen ist immens. Aktuelle Neuronale-Architekturen können oft durch...
Maschinelle Lernalgorithmen werden auf lediglich auf die Genauigkeit auf Testdaten verglichen. In der Realität gibt es jedoch deutlich mehr Maße, um die Robustheit einer KI-Komponente zu beschreiben bzw. zu validieren und fortlaufend zu testen. Bei vielen Daten ist...
Insbesondere in der Medizin und im Gesundheitssektor ist es besonders relevant, das beste Ergebnis aus Modellen des maschinellen Lernens (KI-Modelle) herauszuholen. Hyperparameter Tuning (oder Hyperparameteroptimierung) ist ein wichtiger Schritt im Prozess der...
Insbesondere im Bereich High-Performance Computing haben wir Erfahrungen im Bereich Hyperparameter Tuning um KI Modelle zu verbessern und in der Parallelisierung und dem Speed-Up beim Model Training und Testing. Diese Erfahrung kann vielversprechend mit der Anwendung...
Trotz der Aufregung um Large Language Models (LLM) leiden diese Modelle unter Illusionen, d.h. sie erzeugen faktisch falschen Text. Diese Probleme schränken die Entwicklung von produktionsreifen Anwendungen ein. Das Fraunhofer IAIS erforscht und entwickelt Ansätze zur...
Die meisten Daten aus Unternehmen können in einem Knowledge Graph abgebildet werden. Daten aus dem Tourismus, von Lieferketten oder aus dem Gesundheitswesen lassen sich als Graphen modellieren. Deep Learning-Modelle auf Wissensgraphen anzuwenden, ist...
Das DFKI bietet State-of-the-Art Methoden aus der Sprach- und Videoerkennung gepaart mit Sensoren oder anderen Methoden an. Dies ermöglicht die Erzeugung von individuellen Modellen, spezifisch definierten Datensätzen und andere Anwendungen....
Das DFKI stellt diverse F&E Expertise zur Verwendung von statistischen Methoden (machine learning, deep learning, etc.) zur Analyse und Bewertung von Fitness- und Gesundheitsparametern zur Verfügung Anwendungsbeispiele: Verwendung von statistischen Methoden ...
In der heutigen Geschäftswelt sind Künstliche Intelligenz (KI) und...
Datum: 14. Dezember 2023, 13:00 bis 16:00 Uhr Ort: online Diese Themen...
Seien Sie Teil eines inspirierenden Tages voller Innovationen, Diskussionen und Netzwerkmöglichkeiten rund um Künstliche Intelligenz und Data Analytics.
Ab Februar 2024 fördert das BMBF bis zu sechs weitere KI-Mikroprojekte mit einer Laufzeit von drei bis acht Monaten. Gefördert wird die Nutzung von KI-Transferleistungen, sogenannten „Smart Data Innovation Services“ (SDI-S) im Wert von bis zu 50.000 Euro oder bis zu 6 Personenmonaten pro Mikroprojekt bis zum 31.01.2024 bewerben.
Zwei Partner, ein Schloss, ein Event im Herbst – wir laden Sie herzlich ein zum Smart Data Innovation Day 2023 am Donnerstag, 16. November 2023. Diesmal in Kooperation vom Smart Data Innovation Lab und dem KI-Servicezentrum WestAI.