Neural Architecture Searches zur Mehrziel-Optimierung von Regressions- und Klassifikationsmodellen (KIT)

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 […]

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 […]

Kognitive große Sprachmodelle für konversationelle KI-Assistenten (Fraunhofer IAIS)

Das Fraunhofer IAIS hilft Ihnen, die folgenden Forschungsfragen zu beantworten §Wie verbessert man die faktische Korrektheit und/oder das Common-Sense Verständnis von großen Sprachmodellen? Z.B., „Die Werksgarantie bei BMW-Neuwagen beträgt 6 Monate.“, „Wenn die Straße nass ist, ist der Bremsweg kürzer.“ §Wie kann der Anpassungsaufwand eines großen Sprachmodells für ein Domänespezifisches Dialogsystem reduziert werden? §Kann man […]

Deep Learning auf Wissensgraphen für den Aufbau kognitiver Unternehmensdienste (Fraunhofer IAIS)

Das Fraunhofer IAIS ermöglicht es Ihnen fast jede Datenquelle innerhalb Ihres Unternehmens in einem Wissensgraphen zu modellieren. Hierzu können spezialisierte Graph-Neural-Networks und Knowlege-Graph-Embedding zur Wissensextraktion entwickelt werden, welche dann für “downstream tasks” eingesetzt werden können. Beispiele: Tourismusdaten als Diagramme modelliert Supply Chain modelliert als Graphen Transportkarten als Graph modelliert Moleküle als Graph darstellen

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 […]