Bilaterale Künstliche Intelligenz
Bilateral Artificial Intelligence
Wissenschaftsdisziplinen
Informatik (100%)
Keywords
-
Artificial Intelligence,
Machine Learning,
Symbolic Artificial Intelligence,
Deep Learning,
Neural Networks
Aktuelle KI-Systeme sind in gewisser Hinsicht sehr engstirnig (narrow). Diese sind für spezielle Anwendungen oder Aufgaben entwickelt, wie zum Beispiel Objekt- oder Spracherkennung. Unser Projekt wird zwei wesentliche Forschungsstränge der KI zusammenbringen, die bisher weitgehend getrennt voneinander sind: symbolische (Wissensrepräsentation und logisches Schließen) und sub-symbolische KI (maschinelles Lernen). Diese Integration wird in einer sogenannten Broad AI resultieren, die natürliche menschliche Fähigkeiten widerspiegelt: gleichzeitige Wahrnehmung der Umgebung und logisches Denken. Aber was ist eine Broad AI? Im Gegensatz zu einer Narrow AI, die auf das Lösen von spezifischen Aufgaben ausgerichtet ist, zielt eine Broad AI darauf ab, ein weites Feld von Problemen zu lösen. Indem sub-symbolische KI mit symbolischer KI kombiniert wird, entsteht durch unser Projekt Bilaterale KI die Möglichkeit, eine neuartige Art der KI zu entwickeln. Dieser KI, der Broad AI, wird es möglich sein, neue Fähigkeiten und Problemlösungsmechanismen zu erlangen, in denen das Beste aus beiden Welten kombiniert wird. Während eine symbolische KI mit exakt definierten logischen Regeln arbeitet, basieren sub-symbolische KIs (z.B. ChatGPT) auf großen Datenmengen, um intelligentes Verhalten zu erzielen. Die Broad AI kombiniert Erfahrung mit Grundlagenwissen ähnlich wie ein Mensch und lernt, Aufgaben immer effizienter und besser zu lösen. Die Kombination der beiden Forschungsstränge eröffnet neue Möglichkeiten für KIs, die sich an ihre Umgebungen besser anpassen und die besser logisch schließen können. Diese KIs werden auch weniger Trainingsdaten und Rechenleistung benötigen. Dadurch ergibt sich eine Vielzahl von Anwendungen für eine Broad AI, wie zum Beispiel die Entwicklung von neuartigen Medikamenten, die effizientere Lösung von Planungsproblemen, autonomes Verkehrsmanagement oder bessere Recommender Systems. Für diese Systeme haben Fairness, Transparenz und Erklärbarkeit höchste Priorität und auch ethische Aspekte müssen geklärt werden, um einen positiven Nutzen für die Gesellschaft sicherzustellen. All diese Aspekte spielen eine zentrale Rolle in unserem Projekt. Die durch diesen Ansatz der Bilateralen KI entstehende Broad AI soll aufgrund ihrer eigenen Sinneswahrnehmungen Abstraktionen erzeugen und logisch denken können. Sie könnte dann z.B. eine Reise organisieren, CO2 minimieren oder ein Haus möglichst günstig und ökologisch renovieren also komplexe Planungen unter Berücksichtigung aller Zusammenhänge durchführen. Eine ,Broad AI könnte dazu beitragen, unseren Alltag, aber auch systemrelevante Bereiche und Prozesse, wie Energie, Verkehr oder Gesundheitswesen, ökologisch nachhaltiger, effizienter und ressourcenschonender zu gestalten, so Sepp Hochreiter, Director of Research.
-
Board of Directors (01.10.2024 -)
-
Board of Directors (01.10.2024 -)
-
Board of Directors (01.10.2024 -)
-
Board of Directors (01.10.2024 -)
-
Board of Directors (01.10.2024 -)
-
Director of Research (01.10.2024 -)
-
Board of Directors (01.10.2024 -)
-
Board of Directors (01.10.2024 -)
-
Alexander Felfernig, Technische Universität Graz (27.12.2024 -)
-
Bettina Könighofer, Technische Universität Graz (27.12.2024 -)
-
Elisabeth Lex, Technische Universität Graz (10.6.2024 -)
-
Franz Wotawa, Technische Universität Graz (10.6.2024 -)
-
Johannes Wallner, Technische Universität Graz (12.9.2024 -)
-
Robert Peharz, Technische Universität Graz (10.6.2024 -)
-
Roman Kern, Technische Universität Graz (12.9.2024 -)
-
Thomas Pock, Technische Universität Graz (10.6.2024 -)
-
Wolfgang Maass, Technische Universität Graz (10.6.2024 -)
-
Emanuel Sallinger, Technische Universität Wien (10.6.2024 -)
-
Georg Gottlob, Technische Universität Wien (10.6.2024 -)
-
Mantas Simkus, Technische Universität Wien (12.9.2024 -)
-
Nysret Musliu, Technische Universität Wien (10.6.2024 -)
-
Robert Ganian, Technische Universität Wien (10.6.2024 -)
-
Silvia Miksch, Technische Universität Wien (10.6.2024 -)
-
Stefan Szeider, Technische Universität Wien (10.6.2024 -)
-
Stefan Woltran, Technische Universität Wien (10.6.2024 -)
-
Thomas Lukasiewicz, Technische Universität Wien (10.6.2024 -)
-
Dietmar Jannach, Universität Klagenfurt (10.6.2024 -)
-
Elisabeth Oswald, Universität Klagenfurt (10.6.2024 -)
-
Martin Gebser, Universität Klagenfurt (10.6.2024 -)
-
Wolfgang Faber, Universität Klagenfurt (10.6.2024 -)
-
Erich Kobler, Universität Linz (12.9.2024 -)
-
Gerhard Widmer, Universität Linz (10.6.2024 -)
-
Günter Klambauer, Universität Linz (10.6.2024 -)
-
Johannes Brandstetter, Universität Linz (12.9.2024 -)
-
Johannes Fürnkranz, Universität Linz (10.6.2024 -)
-
Markus Schedl, Universität Linz (10.6.2024 -)
-
Kurt Hornik, Wirtschaftsuniversität Wien (10.6.2024 -)
-
Marta Sabou, Wirtschaftsuniversität Wien (12.9.2024 -)
-
Nils Wlömert, Wirtschaftsuniversität Wien (12.9.2024 -)
-
Sabrina Kirrane, Wirtschaftsuniversität Wien (10.6.2024 -)
Research Output
- 1 Zitationen
- 4 Publikationen
-
2025
Titel Leveraging Knowledge Graphs for AI System Auditing and Transparency DOI 10.1016/j.websem.2024.100849 Typ Journal Article Autor Waltersdorfer L Journal Journal of Web Semantics Seiten 100849 Link Publikation -
2025
Titel Pattern-based engineering of Neurosymbolic AI Systems DOI 10.1016/j.websem.2024.100855 Typ Journal Article Autor Ekaputra F Journal Journal of Web Semantics Seiten 100855 Link Publikation -
2024
Titel Density amplifiers of cooperation for spatial games DOI 10.1073/pnas.2405605121 Typ Journal Article Autor Svoboda J Journal Proceedings of the National Academy of Sciences -
2024
Titel A Multimodal Single-Branch Embedding Network for Recommendation in Cold-Start and Missing Modality Scenarios DOI 10.1145/3640457.3688138 Typ Conference Proceeding Abstract Autor Ganhör C Seiten 380-390 Link Publikation