Dziewięć milionów dla nowych grup badawczych: rewolucja w uczeniu maszynowym!

Dziewięć milionów dla nowych grup badawczych: rewolucja w uczeniu maszynowym!

1 kwietnia 2025 roku Niemiecka Fundacja Badawcza (DFG) ogłosiła utworzenie pięciu nowych grup badawczych. Jedna z grup będzie pracować w Instytucie Inżynierii Sterowania pod przewodnictwem Uniwersytetu Leibniza w Hanowerze (LUH). Ta grupa badawcza nosi tytuł: „Aktywne uczenie się systemów dynamicznych i sterowania – informatywność danych, niepewności i gwarancje” i koncentruje się na uczeniu maszynowym w systemach dynamicznych. W sumie DFG przekazuje nowo utworzonym grupom około 19 milionów euro, które będą działać przez okres czterech lat, z możliwością drugiego czteroletniego okresu finansowania.

Nowe podejścia stosowane w grupie badawczej są szczególnie istotne dla przyszłościowych technologii i zastosowań. Wyzwania w dziedzinie uczenia maszynowego są złożone i obejmują między innymi gwarancje bezpieczeństwa wymagane zarówno w przypadku autonomicznej jazdy, jak i interakcji człowiek-maszyna. Tradycyjne procesy często nie dają takich gwarancji, dlatego konieczne jest opracowanie innowacyjnych strategii.

Partnerzy do współpracy i możliwe zastosowania

Grupa badawcza współpracuje z uznanymi instytucjami, takimi jak Uniwersytet we Fryburgu oraz uczelnie techniczne w Hamburgu, Ilmenau i Monachium. Wyniki badań mogą mieć dalekosiężne zastosowania, szczególnie w robotyce i technologii energetycznej. Uczenie maszynowe zostało już wprowadzone w wielu obszarach, w tym w diagnostyce medycznej i autonomicznej jeździe, gdzie kluczowe znaczenie ma ukierunkowana analiza danych i systemy uczenia się.

Uczenie maszynowe samo w sobie jest kluczową technologią dla systemów poznawczych i ma kluczowe znaczenie dla globalnego rozwoju gospodarczego. Sieci neuronowe odgrywają tu kluczową rolę. Są one inspirowane połączeniami komórek nerwowych w ludzkim mózgu i składają się z wielu warstw węzłów danych połączonych ze sobą za pomocą połączeń ważonych. Korzystając z metod „głębokiego uczenia się”, sieci neuronowe korzystają z coraz głębszych warstw, które wspierają je w rozwiązywaniu złożonych problemów. Sieci te są szkolone poprzez wielokrotne prezentowanie danych, co umożliwia bardziej precyzyjną klasyfikację sposobu iks.fraunhofer.de wyjaśnione.

Akceptacja społeczna i wyzwania

Dla ich upowszechnienia kluczowa jest akceptacja społeczna dla tych technologii. Debata na temat uczenia maszynowego i sztucznej inteligencji często charakteryzuje się półwiedzą, dlatego konieczna jest dyskusja na tematy oparta na faktach. Kompleksowe badanie przeprowadzone w ramach projektu finansowanego przez BMBF zapewnia przegląd aktualnych wyzwań i pytań badawczych w obszarze ML. Inicjatorem projektu był Instytut Inteligentnej Analizy i Systemów Informacyjnych im. Fraunhofera IAIS oraz Centrum Fraunhofera Zarządzania Międzynarodowego i Gospodarki Wiedzą IMW. Dostarcza cennych informacji na temat dziedzin zastosowań i warunków ramowych społeczno-gospodarczych, które są ważne dla badań w Niemczech.

Biorąc pod uwagę szybko rozwijające się technologie uczenia maszynowego i mnogość możliwych scenariuszy zastosowań, okaże się, w jaki sposób nowe grupy badawcze w LUH przyczynią się do dalszego rozwoju tych technologii, zwłaszcza w odniesieniu do gwarancji bezpieczeństwa i innowacyjnych metod uczenia się.