Descrizione del progetto
Far progredire l’apprendimento automatico con modelli collaborativi
Man mano che i modelli di apprendimento automatico diventano più complessi, il loro addestramento richiede sempre più risorse. In combinazione con la natura in continua evoluzione dei dati del mondo reale, i modelli devono adattarsi continuamente, spesso richiedendo un nuovo addestramento completo su nuovi set di dati. Questo approccio fa aumentare le emissioni di CO2 e il consumo di energia e consolida i progressi all’interno dei grandi operatori del settore. In quest’ottica, il progetto CollectiveMinds, finanziato dal CER, creerà una rete collaborativa di modelli specializzati che imparano gli uni dagli altri, riducendo la necessità di un nuovo addestramento completo. Decentrando la conoscenza e consentendo aggiornamenti indipendenti, promette uno sviluppo dell’IA più sostenibile. Con applicazioni nella sanità e nella ricerca scientifica, CollectiveMinds cerca di democratizzare l’apprendimento automatico, promuovendo la cooperazione e la sostenibilità in un mondo in evoluzione.
Obiettivo
Machine learning models are growing larger and more complex, making training increasingly resource-demanding. Concurrently, our world, and hence the training data is perpetually evolving. This requires continual model updating or retraining to address changing training data. Presently, the most reliable course to handle such distribution shifts is to retrain models from scratch on new training data. This results in substantial resource usage, increased CO2 footprint, elevated energy consumption, and limits the decisive ML progress to large-scale industry players.
Imagine a world in which models help each other learn. When the data distribution changes, a complete retraining of models could be avoided if the new model could learn from the outdated one by using reliable and provably effective methods. Furthermore, the convention of relying on large, versatile monolithic models could then give way to a consortium of smaller specialized models, with each contributing its specific domain knowledge when needed. By encouraging this form of decentralization, we could reduce resource consumption as the individual components can be updated independently of each other.
Drawing on groundbreaking research in distributed ML model training, CollectiveMinds aspires to design adaptable ML models. These models can effectively manage updates in training data and task modifications, while also enabling efficient knowledge exchange across various models, thereby fostering widescale collaborative learning and constructing a sustainable framework for collaborative machine intelligence.
This initiative could revolutionize sectors like healthcare, where there is limited training data, and trustworthy AI that demands guarantees on data ownership and control. Furthermore, it could foster improved collaborative research within the realm of science. CollectiveMinds embodies a significant paradigm shift towards democratizing ML, focusing on cooperative intellectual efforts.
Parole chiave
Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).
Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).
Programma(i)
Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.
Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.
-
HORIZON.1.1 - European Research Council (ERC)
PROGRAMMA PRINCIPALE
Vedi tutti i progetti finanziati nell’ambito di questo programma
Argomento(i)
Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.
Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.
Meccanismo di finanziamento
Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.
Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.
HORIZON-ERC - HORIZON ERC Grants
Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento
Invito a presentare proposte
Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.
Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.
(si apre in una nuova finestra) ERC-2024-COG
Vedi tutti i progetti finanziati nell’ambito del bandoIstituzione ospitante
Contributo finanziario netto dell’UE. La somma di denaro che il partecipante riceve, decurtata dal contributo dell’UE alla terza parte collegata. Tiene conto della distribuzione del contributo finanziario dell’UE tra i beneficiari diretti del progetto e altri tipi di partecipanti, come i partecipanti terzi.
66123 SAARBRUCKEN
Germania
I costi totali sostenuti dall’organizzazione per partecipare al progetto, compresi i costi diretti e indiretti. Questo importo è un sottoinsieme del bilancio complessivo del progetto.