Fritz

For improving the capabilities of general-purpose AI models and for extending their applicability to domains where the temporal dimension–among several others–is of importance, we will target the development of the next generation of Multimodal Space-Time Foundation Models (MSTFMs). These will combine spatio-temporal understanding, which is important even for modalities such as the visual one that have already been introduced in large generative models, with the effective management of new time-relevant modalities that are yet to be supported in foundation models, such as industrial time series data, remote sensing data and health-related measurements. Real and synthetic data, to mitigate data scarcity, will be leveraged for training general-purpose MSTFMs and for further adapting them for specific downstream tasks. Real data used for training will include data directly provided by members of the consortium as well as data from relevant European Data Spaces, while complementary synthetic data will be generated by exploiting existing generative AI  capabilities as well as new ones developed in the project. European HPC infrastructure is directly included in the consortium to ensure the availability of the necessary computing resources.

Fördergeber

Fördergeber

European Union

Dieses wird sich mit den großen, grundlegenden Herausforderungen befassen, die den Einsatz der KI-Technologie beeinträchtigen. Die nachhaltige Bewältigung dieser Herausforderungen erfordert einen Leuchtturm, der auf wissenschaftlicher Exzellenz und rigorosen Methoden beruht. Wir werden eine strategische Forschungsagenda entwickeln, die sich auf "technical robustness and safety”, "privacy preserving techniques and infrastructures" und "human agency and oversight” konzentriert. Darüber hinaus fokussieren wir unsere Bemühungen zur Erkennung, Verhinderung und Abschwächung von Bedrohungen und zur Behebung von Schäden auf die drei Grand Challenges “Robustness guarantees and certification”,“Private and robust collaborative learning at scale” und “Human-in-the-loop decision making: Integrated governance to ensure meaningful oversight”. Diese betrachten wir in den sechs Anwendungsfällen Gesundheit, autonomes Fahren, Robotik, Cybersicherheit, Multimedia und Dokumentenanalyse. 

Im Rahmen unseres Projekts versuchen wir, robuste technische Ansätze mit rechtlichen und ethischen Grundsätzen zu verbinden, die durch sinnvolle und wirksame Governance-Architekturen unterstützt werden, um die Entwicklung und den Einsatz einer KI-Technologie zu unterstützen, die den grundlegenden europäischen Werten dient. Unsere Initiative erweitert das international anerkannte, erfolgreiche und voll funktionsfähige Exzellenznetzwerk “ELLIS”. Wir bauen auf dessen drei Säulen auf: Forschungsprogramme, eine Reihe von Forschungseinheiten und ein Doktoranden-/Postdoktorandenprogramm. Damit verbinden wir ein Netzwerk von über 100 Organisationen und mehr als 337 ELLIS-Stipendiaten und -Wissenschaftlern (113 ERC-Grants), die sich gemeinsamen Exzellenzstandards verpflichtet haben. Wir werden nicht nur ein virtuelles Exzellenzzentrum einrichten. Wir werden alle unsere Aktivitäten auch für Beiträge, Interaktionen und Zusammenarbeit mit KI-Forschenden und Industriepartner:innen öffnen, um das gesamte Feld voranzutreiben.

Fördergeber

Funding Body

European Commission

Seit der letzten Coronavirus-Epidemie, die durch SARS-CoV-1 verursacht wurde, werden Pläne und Instrumente zur Eindämmung von Epidemien entwickelt. Dennoch existiert bislang kein geeignetes Frühwarnsystem für Gesundheitsämter, das diesen Bedarf auf regionaler und gezielter Ebene adressiert. In der aktuellen SARS-CoV-2-Pandemie wird der Bedarf an einem solchen System zunehmend deutlich. Die Heterogenität unterschiedlicher Regionen und lokal begrenzter Ausbrüche erfordert ein lokal angepasstes Monitoring und eine entsprechende Bewertung der Infektionsdynamik.

Die frühzeitige Erkennung einer sich abzeichnenden Epidemie ist ein entscheidender Bestandteil erfolgreicher Intervention. Der Vergleich Deutschlands mit anderen europäischen Ländern verdeutlicht, wie wesentlich die rechtzeitige Umsetzung nicht-pharmazeutischer Maßnahmen für die Eindämmung einer Epidemie ist. Daher ist eine kontinuierliche Überwachung des Infektionsgeschehens unerlässlich. Für die strategische Planung politischer Maßnahmen haben sich epidemiologische Modellierungen und Szenariorechnungen zur Vorhersage und Bewertung von Interventionen und Szenarien als äußerst wichtig erwiesen. Die Genauigkeit solcher Prognosen hängt in hohem Maße von der Robustheit und Breite der zugrundeliegenden Daten ab. Zudem besteht ein Bedarf an einer verständlichen Darstellung der häufig komplexen Simulationsergebnisse, ohne deren Interpretation und inhärente Unsicherheiten zu stark zu vereinfachen.

In diesem Vorhaben entwickeln wir eine Plattform, die Datenströme aus verschiedenen Quellen datenschutzkonform integriert. Für deren Analyse kommen vielfältige Methoden zum Einsatz – von maschinellem Lernen bis hin zur epidemiologischen Modellierung – um lokale Ausbrüche frühzeitig zu erkennen und Bewertungen unter verschiedenen Annahmen und auf unterschiedlichen Skalen zu ermöglichen. Diese Modelle werden in automatisierte Workflows integriert und in einer interaktiven Webanwendung mit benutzerdefinierten Szenariosimulationen aufbereitet. Die Plattform basiert auf Erkenntnissen aus der retrospektiven und prospektiven Auswertung der COVID-19-Pandemie und nutzt SARS-CoV-2 als Blaupause für die Prävention und Eindämmung zukünftiger Epidemien durch Atemwegsviren. Die Plattform wird an die Akademie für Öffentliches Gesundheitswesen übergeben und in Pilotprojekten mit ausgewählten Gesundheitsämtern unter realen Bedingungen optimiert.

Fördergeber

Funding Body

Helmholtz-Gemeinschaft e.V.; Impuls- und Vernetzungsfonds

Partner

Project Partner

Helmholtz-Zentrum für Infektionsforschung (HZI)

Project Partner

Deutsches Zentrum für Luft- und Raumfahrt (DLR)

Project Partner

Forschungszentrum Jülich

Project Partner

Helmholtz-Zentrum für Umweltforschung (UFZ)

Teilvorhaben:  Föderierte Analytik und maschinelles Lernen, Datenschutzmodelle und Benchmarking: CISPA

Das Ziel von PrivateAIM ist die Entwicklung einer föderierten Plattform für maschinelles Lernen (ML) und Datenanalyse im Rahmen der Medizininformatik-Initiative (MII), bei der die Analysen zu den Daten gebracht werden und nicht die Daten zu den Analysen. Methoden, die eine verteilte Datenverarbeitung in den von der MII eingerichteten Datenintegrationszentren ermöglichen, sind aus mehreren Gründen wichtig:

1) Daten von Patientinnen und Patienten dürfen ohne Einwilligung nur verwendet werden, wenn Anonymität gewährleistet ist;

2) föderierte Technologien können dazu beitragen, die MII mit anderen Gesundheitsdatennetzen zu verbinden.

Die derzeit in der MII etablierten Mechanismen weisen jedoch erhebliche Einschränkungen auf und sind beispielsweise nicht für komplexe ML- und Data-Science-Tasks geeignet. Darüber hinaus sind föderierte Plattformen, die in anderen Zusammenhängen entwickelt wurden,

1) kompliziert einzurichten und zu betreiben,

2) unterstützen eine begrenzte Anzahl von Analyse- oder ML-Methoden,

3) implementieren keine modernen Technologien zur Wahrung der Privatheit und

4) sind nicht skalierbar oder ausgereift.

Das PrivateAIM-Konsortium, das von allen MII-Konsortien unterstützt wird, bringt Experten zusammen, um die nächste Generation der föderierten Analyse- und ML-Plattform für die MII zu entwickeln. Die Plattform für föderierte Lern- und Analysemethoden (FLAME) wird modernste Föderierungsmethoden mit innovativen Datenschutzmodellen für multimodale Daten kombinieren. Unter Verwendung von Komponenten zur Überwachung und Kontrolle des Schutzniveaus werden diese in eine verteilte Infrastruktur integriert, die von den Datenintegrationszentren leicht übernommen werden kann. Die Umsetzung in die Praxis wird durch die Berücksichtigung von Herausforderungen an der Schnittstelle von Technologie und Recht, die Entwicklung von Konzepten für den Betrieb durch die IT-Abteilungen der Krankenhäuser und die Abstimmung mit Ethikkommissionen sowie Datenschutzbeauftragten begleitet.

Fördergeber

Fördergeber

Bundesministerium für Forschung, Technologie und Raumfahrt

Partner

Projektpartner

Universität zu Köln

Universität zu Köln

Projektpartner

Universität Leipzig

Universität Leipzig

Projektpartner

Deutsches Krebsforschungszentrum (DKFZ)

Projektpartner

Universität Ulm

Universität Ulm

Projektpartner

Universität Heidelberg

Universität Heidelberg

Projektpartner

Albert-Ludwigs-Universität Freiburg

Albert-Ludwigs-Universität Freiburg

Projektpartner

Charité - Universitätsmedizin Berlin

Charité - Universitätsmedizin Berlin

Projektpartner

Technische Universität München

Technische Universität München

Projektpartner

Eberhard Karls Universität Tübingen

Eberhard Karls Universität Tübingen

Projektpartner

TMF - Technologie- und Methodenplattform für die vernetzte medizinische Forschung e. V. Berlin

TMF - Technologie- und Methodenplattform für die vernetzte medizinische Forschung e. V. Berlin

Projektpartner

Friedrich-Alexander-Universität Erlangen-Nürnberg

Friedrich-Alexander-Universität Erlangen-Nürnberg

Projektpartner

Ludwig-Maximilians-Universität München

Ludwig-Maximilians-Universität München