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 sehr viele Daten angelernt werden. Aber auch hier fließt viel Erfahrung in die Netzarchitektur ein, damit die Lernalgorithmen konvergieren. Oft ist jedoch sowohl die […]
Kostenlose Erprobung
Modellverifikation und -Testung für vertrauenswürdige KI (KIT)
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 nicht nur die durchschnittliche Leistung entscheidend, sondern auch systematische Biase auf Teilmengen der Daten können zu erheblichen […]
Nutzung von Quantenannealern für das skalierbare Lernen mit Kernelmethoden (Forschungszentrum Jülich)
Aufgaben zur Minimierung und Optimierung von Funktionen können vom Quantumannealer des Forschungszentrum profitieren. Der Interessenschwerpunkt liegt im medizinischen Bereich. In Ausnahmefällen ist das Forschungszentrum auch offen für interdisziplinäre Projekte, wie aus dem Bereich der Fernerkundung. Insbesondere im High-Performance Computing haben wir Erfahrung mit Hyperparameter Tuning um KI Modelle zu verbessern und in der Parallelisierung und […]
Datensparsames, Maschinelles Lernen + Hyper Parameter Tuning (Forschungszentrum Jülich)
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. Beipsielhaft sei hier eine Plattform zur Daten Analyse und für maschinelles Lernen für medizinische Diagnosen zu nennen. Hier sind Erfahrungen vorhanden im Umgang mit patienten Daten, […]
Kognitive große Sprachmodelle für konversationelle KI-Assistenten (Fraunhofer IAIS)
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 Kombination von Knowledge Graphs (KGs) mit Large Language Models (LLMs), um industrietaugliche Anwendungen zu entwickeln und dabei Illusionsprobleme in […]
Deep Learning auf Wissensgraphen für den Aufbau kognitiver Unternehmensdienste (Fraunhofer IAIS)
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 erfolgsversprechend. Das Fraunhofer IAIS bietet eine Vielzahl von Ansätzen und Komponenten, um aus Unternehmensdaten Wissensgraphen zu erstellen und darauf verschiedene Graph Neural […]
Fusion von Multimodalen Maschinellen Lernverfahren (DFKI)
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. Kontakt:agnes.gruenerbl[at]dfki.de
Nicht-invasive Bewertung von Fitness/Gesundheitsparametern (DFKI)
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 (machine learning, deep learning, etc.) zur Analyse und Bewertung von Fitness- und Gesundheitsparametern Smartphone Daten zur Erkennung von psychiatrischen Veränderungen Effizient von Herzmassage mit […]
