KI-Erzeugung von synthetischen Daten für KI
Das Bundesministerium für Bildung und Forschung (BMBF) beabsichtigt mit der Richtlinie zur Förderung von Projekten zum Thema „Erzeugung von synthetischen Daten für Künstliche Intelligenz“ interdisziplinäre und anwendungsorientierte Forschungs- und Entwicklungsvorhaben zu fördern. Das Ziel der Förderrichtlinie ist es, neue Methoden zur Erzeugung synthetischer Daten für die Erstellung und Validierung von KI-Modellen zu entwickeln bzw. schon vorhandene Methoden zu verbessern oder auch gegebene personenbezogene Datenbestände zu anonymisieren. Durch die Maßnahme soll die Spitzenposition Deutschlands im Bereich KI gesichert und weiter ausgebaut werden. Die Förderung von Verbundprojekten soll hierbei den Transfer zwischen Wissenschaft und Wirtschaft zum Vorteil beider Parteien verstärken.
Emonymous
|
Sprecheranonymisierung unter Erhalt emotionaler Ausdruckswirkung
Durch die technologischen Fortschritte im Bereich der Künstlichen Intelligenz (KI), halten auch interaktive und intelligente Sprachassistenten mehr und mehr Einzug in den gesellschaftlichen Alltag. Aus datenschutzrechtlichen Gründen ist deren Einsatz jedoch meist auf Anwendungen im privaten Bereich beschränkt. Insbesondere die Möglichkeit, Sprechende auf Basis einer Vielzahl an erhobenen Daten zu identifizieren, verhindert einen effektiven Einsatz von Sprachassistenten in datenschutzrechtlich sensiblen Bereichen wie beispielsweise dem Gesundheitssektor oder der Lernunterstützung. Ziel des Verbundvorhabens „Emonymous“ ist es, die Identität der Sprechenden bei der Anwendung intelligenter Sprachassistenten vollständig zu anonymisieren und dabei wichtige sprachliche sowie emotionale Informationen weitestgehend zu erhalten.
Projektpartner:
Otto-von-Guericke-Universität Magdeburg, Technische Universität Berlin, Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
Projektblatt
|
iPMT
|
Datensynthese für Anwendungen in der intelligenten Partikelmesstechnik
Ziel des Projekts iPMT ist es, Methoden zur Synthese von Trainingsdaten für KI-Verfahren zu entwickeln, die die aufwändige manuelle Auswertung reduzieren oder ganz überflüssig machen und die Qualität der resultierenden Daten zu erhöhen.
Projektpartner:
Universität Duisburg-Essen, Friedrich-Alexander-Universität, LUM GmbH, SOPAT GmbH
Projektblatt
|
LeRntVAD
|
Interpretierbares Generatives Maschinelles Lernen zur intelligenten Regelung von Ventricular Assist Devices
Im Projekt LeRntVAD soll ein synthetisches, d. h. ein auf künstlich erzeugten Daten basierendes Simulationsmodell für das Herz-Kreislauf-System erstellt werden. Als Basis dient eine bestehende Datenbank mit den Daten aus 46 Tierversuchen an Schweinen aus dem Projekt ”Smart Life Support 2.0“, das durch die DFG gefördert wurde. Dieses Modell wird in der Anwendung genutzt, um einen auf künstlicher Intelligenz (KI) basierten Regler für linksseitige Herzunterstützungssysteme (Ventricular Assist Devices – VADs) zu entwerfen.
Projektpartner:
RWTH Aachen - IRT, Universitätsklinikum Aachen, Universität Bielefeld
Projektblatt
|
MeSSeR
|
Mensch-unterstützte Synthese von Simulationsdaten für die Robotik
In MeSSeR wird untersucht wie die Mensch-unterstützte Synthese von Simulationsumgebungen dazu beiträgt, gelernte Handlungen in die echte Welt zu übertragen und wie dieser Ansatz durch den Einsatz erweiterter und virtueller Realitäten (AR/VR) umgesetzt werden kann. AR und VR ermöglichen eine intuitive Interaktion und erleichtern die räumliche Wahrnehmung der simulierten Umgebung und deren Variabilitätsmodell durch den Menschen.
Projektpartner:
OFFIS e.V, Universität Duisburg-Essen
Projektblatt
|
SiMaLeSAM
|
Simulations-basiertes Maschinelles Lernen für Superauflösungs- Mikroskopie
Der Fokus des Projektes liegt auf der superauflösenden Fluoreszenzmikroskopie, aber die ML-Methoden zur Optimierung und Anpassung von Simulationen sind flexibel auf eine Vielzahl von Bildgebungsverfahren und Rekonstruktionsproblemen anwendbar.
Projektpartner:
Eberhard Karls Universität Tübingen, Europäisches Laboratorium für Molekularbiologie
Projektblatt
|
SynDICAD
|
Erzeugung Synthetischer Daten für die Anwendung Künstlicher Intelligenz bei Computergestützten Biomarker Analysen in der Digitalen Pathologie
Ziel ist die Entwicklung neuartiger Methoden zur Datensynthese und das Erweitern synthetischer WSI. Die bestehenden Bilddatensätze sollen in realistischer Weise angereichert werden. Ebenfalls sollen Kenngrößen für die Repräsentativität von Bilddatensätzen in der Pathologie entwickelt werden
Projektpartner:
RWTH Aachen - LfB, Medizinische Hochschule Hannover , Fraunhofer Institute for Digital Medicine MEVIS
Projektblatt
|
SynosIs
|
Synthetische, optisch realistische Bilddaten von Oberflächenstrukturen für KI-basierte Inspektionssysteme
Im Vorhaben SynosIs werden Physik, Mathematik und Informatik verknüpft, um synthetische Bilder typischer Defekte auf metallischen Oberflächen in bisher unerreichter Realitätsnähe zu generieren. Diese garantiert korrekt und objektiv markierten Fehlerbilder stehen nach Projektende für Training und Validierung von KI für die optische Oberflächeninspektion zur Verfügung und vereinfachen und beschleunigen so deren Entwicklung.
Projektpartner:
Fraunhofer ITWM und IOF, Technische Universität Kaiserslautern
Projektblatt
|