SNF unterstützt zwei Projekte des ICS-HSG mit CHF 1,6 Millionen

Die meisten Softwaresysteme, einschliesslich sozialer Netzwerke oder Office- und E-Commerce-Anwendungen, werden zentral verwaltet. Sie zwingen die Nutzer, ihre Daten auch mit Dritten zu teilen, z.B. mit einem Cloud-Anbieter. Das Projekt «Consistency Programming for Local First Software» von Prof. Guido Salvaneschi, das vom SNF mit CHF 997’524 für die Dauer von vier Jahren unterstützt wird, erforscht einen anderen Ansatz. Im Rahmen einer «Local First Software» würden Nutzer die Kontrolle über ihre Daten behalten und diese nur bei Bedarf bewusst und kontrolliert weitergeben.

Hierzu müssen eine Reihe technischer Herausforderungen gemeistert werden: Softwareentwickler müssen zum Beispiel sicherstellen, dass ihre Anwendungen lokal einwandfrei funktionieren und nicht nur dann, wenn sie mit einer Cloud verbunden sind. Daten, die an verschiedenen Orten verfügbar sind, werden nicht mehr synchronisiert. Das Projekt entwickelt deshalb Methoden, damit Softwareanwendungen auf verschiedenen Geräten reibungslos und korrekt funktionieren, ohne dass ein ständiger Zugriff auf die Daten in der Cloud erforderlich ist.

Zentrale Forschungsfragen sind:

• Wie kann bei verteilter Software sichergestellt werden, dass die Nutzer nur die tatsächlich notwendigen Daten mit Dienstanbietern teilen und gleichzeitig das Eigentum an ihren Daten behalten?
• Wie können Softwarewerkzeuge entwickelt werden, die es ermöglichen, dass Anwendungen auch ohne permanenten Internetzugang effizient und korrekt funktionieren?
• Welche Methoden sind am besten geeignet, um sicherzustellen, dass Daten über verschiedene Dienste und Nutzerinteraktionen hinweg konsistent und korrekt bleiben, auch ohne ständigen Zugang zur Cloud, selbst in Regionen mit schlechter Internetverbindung?

Das Projekt verspricht folgende Vorteile für die Gesellschaft:

• Verbesserung der Datensicherheit und des Datenschutzes.
• Volle Funktionalität der Anwendungen auch bei unterbrochener oder fehlender Internetverbindung – Datenverlust wird vermieden und die Reaktionsfähigkeit von Anwendungen verbessert.
• Förderung der Inklusion und des gleichberechtigten Zugangs zu digitalen Ressourcen durch Verbesserung der Anwendungsleistung in Regionen mit begrenzter Infrastruktur.

Vertrauenswürdigkeit von KI verbessern

Aktuelle Forschung im Bereich der künstlichen Intelligenz und des maschinellen Lernens konzentriert sich hauptsächlich auf die Untersuchung tiefer neuronaler Netze und ihrer Strukturen – und damit auf das Verständnis ihrer Robustheit und ihres Verhaltens. Diese Fragen sind wichtig, um tiefe neuronale Netze – gewissermassen das «Herzstück von GenAI» – wesentlich zuverlässiger und vertrauenswürdiger zu machen. Das Projekt «Hyper-Representations: Learning from Populations of Neural Networks» von Prof. Dr. Damian Borth, das der SNF mit CHF 608’700 für vier Jahre unterstützt, beleuchtet diese Fragen aus einem neuen Blickwinkel. Anstatt einzelne Modelle zu untersuchen, konzentriert sich das Projekt auf Populationen von neuronalen Netzen. Dieser Ansatz soll einen besseren Einblick in die Struktur und das Verhalten von neuronalen Netzen geben, als dies mit einem einzelnen Modell möglich wäre. Basierend auf den Erkenntnissen wird ein Basismodell trainiert.

Zentrale Forschungsfragen sind:

• Bilden Populationen neuronaler Netze eine Struktur im Gewichtsraum?
• Können wir eine niedrigdimensionale Repräsentation lernen, indem wir diese Gewichtsraumstrukturen lernen?
• Wie können die Gewichte des Neuronalen Netzes für ein effizientes Training erweitert werden?
• Wie kann der vorgeschlagene Ansatz zum Lernen von Hyper-Repräsentationen auf grosse Modelle übertragen werden?
• Wie können wir die Struktur mehrerer Populationen von neuronalen Netzmodellen nutzen, um effizientes Transferlernen zwischen Populationen zu ermöglichen?

Das Projekt verspricht folgende Vorteile für die Gesellschaft:

• Verbesserung der Vertrauenswürdigkeit von künstlicher Intelligenz.
• Verbesserung der Nachhaltigkeit innerhalb der künstlichen Intelligenz: Neuronale Netze sollen wesentlich effizienter trainiert werden, indem der Rechen- und Energieaufwand reduziert wird.

Auf dem Bild: Prof. Guido Salvaneschi (l.) und Prof. Dr. Damian Borth

Text: pd