Name des Teilnehmers: Ahmed Elnaggar
Beschreibung des IT-Forschungsprojekts: Menschen können das Wissen, das sie aus einer Aufgabe gewonnen haben, auf andere Aufgaben übertragen. Wenn jemand Wissen aus einer bestimmten Aufgabe gewonnen hat, kann er es bei ähnlichen Problemen oder bei einem allgemeinen Lebensproblem anwenden, um es besser/schneller auszuführen. In diesem Projekt verwenden wir ähnliche KI-Konzepte, darunter: Transfer Learning, Multi-Task Learning und Long-Life Learning, um Modelle für Deep Learning zu entwickeln, die besser funktionieren als die derzeitigen Modelle für einzelne Aufgaben. Dies wird es Unternehmen ermöglichen, das maschinelle Lernen zu beschleunigen und Datenknappheit zu überwinden.
Dieses Projekt konzentriert sich auf die Analyse, Ausbildung und Erprobung verschiedener Modelle des Deep Learnings unter Verwendung von Transfer- und Multi-Task-Learning-Ansätzen unter verschiedenen Anwendungsfällen und Szenarien. Dies führt zu:
- Lösung des Datenknappheitsproblems und der schlechten Leistungsergebnisse, mit denen die meisten Unternehmen der Branche konfrontiert sind, wenn sie mit Algorithmen für tiefes Lernen zu tun haben
- Teilen des Wissens zwischen interessierten Parteien und Überwindung des Datenschutzes ohne gemeinsame Nutzung von Daten.
- Steigerung der Ergebnisse der maschinellen Lernmodelle.
- Minimierung der für die Lösung datenbezogener Aufgaben erforderlichen Schulungszeit.
- Minimierung der für die Schulung von Modellen erforderlichen Berechnungsressourcen, was die Kosten senkt, damit Start-ups und kleine Unternehmen von der Leistungsfähigkeit der KI profitieren können.
Ziel des “TFMT”-Projekts ist es, der Öffentlichkeit einen vollständigen Leitfaden für die Nutzung der Kraft des Transfer Lernens zusammen mit vortrainierten Modellen zur Verfügung zu stellen.
Software Campus-Partner: TU München, Merck
Umsetzungszeitraum: 01.03.2020 – 31.05.2021
