Projektart und Laufzeit
FFF-Förderprojekt, November 2024 bis Oktober 2026Koordinator
Data Science & Artificial IntelligenceForschungsschwerpunkt
Geistes-, Kultur- und SozialwissenschaftenBeschreibung
Dieses Projekt zielt darauf ab, die erheblichen Einschränkungen von Deep-Learning-Modellen (DL) in Bezug auf die kausale Erklärbarkeit und Robustheit in Kontexten außerhalb der Verteilung zu beheben, indem die Integration von generativer KI (GenAI) in kausales maschinelles Lernen (CML) untersucht wird. Das Projekt konzentriert sich auf die Nutzung von GenAI, um kausal relevante Variablen auf hoher Ebene zu identifizieren und Kausalhypothesen zu formulieren, um Herausforderungen zu bewältigen, die derzeit Expertenintervention oder kostspielige experimentelle Verfahren erfordern. Durch eine Reihe von gezielten Arbeitspaketen wird das Projekt eine skalierbare CML-Pipeline unter Einbeziehung von GenAI entwickeln und evaluieren, mit Anwendungen in verschiedenen Bereichen wie Gesundheitswesen, Politik und Finanzen. Zu den erwarteten Ergebnissen gehören Fortschritte in der Methodik der kausalen Inferenz und Beiträge sowohl zur wissenschaftlichen Literatur als auch zu praktischen Anwendungen.Wirkungen in Wissenschaft, Wirtschaft und Gesellschaft
Dieses Projekt befasst sich mit den wichtigsten Einschränkungen aktueller Deep-Learning-Architekturen, insbesondere mit dem Erreichen kausaler Erklärbarkeit und der Aufrechterhaltung der Robustheit in Szenarien außerhalb der Verteilung, d. h. in Kontexten, in denen die Datenverteilung von derjenigen abweicht, für die ein Modell ursprünglich trainiert wurde. Durch die Integration von generativer KI (GenAI) in eine skalierbare Pipeline für kausales maschinelles Lernen (CML) zielt diese Forschung darauf ab, die Identifizierung kausal relevanter Variablen und die Formulierung kausaler Hypothesen zu automatisieren, die derzeit auf kostspieligen Experimenten oder dem Eingreifen von Experten beruhen, während die Vorhersagegenauigkeit der aktuellen Deep-Learning-Architekturen erhalten bleibt.Dieser Ansatz hat das Potenzial, nicht nur die Interpretierbarkeit von KI-Modellen zu verbessern, sondern auch ihre Anpassungsfähigkeit in verschiedenen Anwendungsbereichen. Das Projekt ist vor allem in wichtigen Bereichen wie dem Gesundheitswesen, der Politik und dem Finanzwesen von Bedeutung, wo zuverlässige, kausal informierte KI eine fundierte Entscheidungsfindung unterstützen, Interventionen optimieren und das Vertrauen in KI-gesteuerte Ergebnisse stärken kann. Im Gesundheitswesen beispielsweise könnte dieser Ansatz Ärzten helfen, besser zu verstehen, warum bestimmte Behandlungen für bestimmte Patientengruppen effektiver sind, und so eine individuellere und effektivere medizinische Versorgung unterstützen. Im Finanzwesen könnte dieser Ansatz Risikobewertungsprozesse verfeinern, indem er kausale Faktoren identifiziert, die das Marktverhalten steuern, und so zu einer verbesserten finanziellen Stabilität beitragen. In der öffentlichen Politik könnte ein solcher Rahmen die kausalen Auswirkungen von Maßnahmen, wie z. B. die Auswirkungen neuer bildungspolitischer Maßnahmen, aufklären und die politischen Entscheidungsträger in die Lage versetzen, evidenzbasierte Entscheidungen zum Nutzen
Liechtensteinbezug
Dieses Projekt steht im Einklang mit der Forschungsstrategie der Universität Liechtenstein, indem es sich mit kritischen und zunehmend relevanten Herausforderungen in den Bereichen Datenwissenschaft und künstliche Intelligenz befasst, insbesondere mit der kausalen Erklärbarkeit und der Robustheit von Modellen. Durch die Nutzung der aufkommenden Möglichkeiten der generativen KI will das Projekt einen Beitrag zu diesen Bereichen leisten und gleichzeitig reale Probleme in wichtigen Bereichen wie dem Gesundheitswesen, der Politik und dem Finanzwesen angehen. Insbesondere für Liechtenstein ist diese Forschung von grosser Bedeutung, da sie das Land bei der Förderung von Innovationen in KI-getriebenen Branchen unterstützt. Darüber hinaus wird das Projekt durch Workshops, die Förderung des akademischen Austauschs und die Stärkung regionaler Industriekooperationen aktiv mit der lokalen Gemeinschaft zusammenarbeiten. Dieser Ansatz treibt nicht nur die Spitzenforschung voran, sondern stellt auch sicher, dass die Ergebnisse sowohl der akademischen Gemeinschaft als auch der lokalen Wirtschaft greifbare Vorteile bringen, was dem Auftrag der Universität entspricht, Forschung voranzutreiben, die praktische, lokale Auswirkungen hat.Schlagworte
Generative KI, KI-Transparenz
