KI-Modelle effizient trainieren: Vincent Fortuin erhält Branco Weiss Fellowship
Der Helmholtz Munich Forscher Dr. Vincent Fortuin ist Nachwuchsgruppenleiter bei Helmholtz AI. Seine Arbeit konzentriert sich auf die Schnittstelle zwischen Bayes’scher Inferenz und Deep Learning. Bayes’sche Inferenz ist eine statistische Methode, um aus Daten zu lernen, indem explizites Vorwissen mit den Daten kombiniert wird. Das Ziel der Forschungsgruppe ist es, die Robustheit, Dateneffizienz und Unsicherheitsabschätzung in modernen maschinellen Lernansätzen zu verbessern. Vincent Fortuin hat nun das kompetitive Branco Weiss Stipendium für seine Forschung zu Bayes`scher Statistik, Repräsentationslernen und Meta-Lernen erhalten.
Bayes’sche Statistik hilft dabei, Vorwissen in Deep-Learning-Prozesse zu integrieren. Normalerweise lernt künstliche Intelligenz (KI) blind aus einer großen Anzahl von Stichproben, aber in vielen Anwendungen sind diese großen Datensätze nicht verfügbar. Für viele dieser Themen ist jedoch eine Menge theoretischen Wissens vorhanden. Diese Informationen können vor dem Training in die KI integriert werden, um eine bessere Interpretation der verfügbaren Daten zu ermöglichen, auch wenn diese knapp sind. Mit Hilfe der Bayes’schen Statistik kann ermittelt werden, wie das Vorwissen bei einem Lernproblem optimal genutzt werden kann, so dass KI-Modelle mit viel weniger Daten effizient trainiert werden können.
Das Ziel der Forschungsgruppe von Vincent Fortuin ist es, die Rolle des Vorwissens beim Bayes’schen Deep Learning zu untersuchen und auf dateneffizientere Lernansätze für kritische Anwendungen hinzuarbeiten, bei denen die Robustheit des Modells und kalibrierte Unsicherheitsschätzungen entscheidend sind. Einige Bereiche, in denen Bayes’sches maschinelles Lernen eingesetzt werden könnte, sind beispielsweise Intensivmedizin, Einzelzell-Multiomik und Arzneimittelentwicklung.
Als Branco Weiss Fellow wird Vincent Fortuin bei seiner Arbeit im Bereich des Bayes’schen Deep Learnings unterstützt, mit dem Ziel, neue Anwendungen für Bereiche mit kleinen Datensätzen zu erschließen. Das Stipendium sucht nach Exzellenz und hat eine Gemeinschaft von außergewöhnlichen Nachwuchsforscher:innen aus einem breiten Spektrum von Fachgebieten und Ländern geschaffen.