Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Data-efficient model training for sustainable artificial intelligence

Description du projet

L’efficacité des données dans l’entraînement des modèles de vision et de langage

L’intelligence artificielle (IA) joue un rôle important dans les soins de santé, le diagnostic médical et le patrimoine culturel. Les avancées récentes en matière de modèles de base, notamment les modèles de vision-langage (VLM pour «vision-language models»), ont démontré leurs capacités, mais leur apprentissage nécessite des ressources informatiques, ce qui augmente les coûts environnementaux et limite leur accessibilité. Le projet DeTAI relève ce défi en cherchant à déterminer s’il est possible d’obtenir des performances similaires avec un volume de données nettement réduit. Soutenu par le programme Actions Marie Skłodowska-Curie, il vise à réduire de moitié les besoins en données d’entraînement des VLM tout en maintenant leurs performances, grâce à l’analyse de la redondance des données, à l’amélioration des méthodes de distillation des ensembles de données multimodaux et à l’évaluation comparative de stratégies d’entraînement économes en données en termes de généralisation, de robustesse et d’équité, en particulier dans les applications à faible volume de données comme l’imagerie médicale. DeTAI soutiendra la recherche responsable sur les modèles de base, en particulier pour les communautés disposant de ressources limitées.

Objectif

Artificial intelligence (AI) has become integral to modern life, with applications ranging from healthcare, medical diagnostics to cultural heritage preservation. Recent progress in foundation models, notably vision-language models (VLMs) and multimodal large language models, has demonstrated remarkable capabilities across diverse tasks. Yet, their training and deployment demand enormous computational resources, creating significant environmental costs and limiting accessibility. Current research emphasises scaling models and datasets to boost performance, but comparatively little attention is given to the usage efficiency and quality of the underlying data. A key question arises: must we always rely on all available data, or can similar performance be achieved with substantially less data, thereby reducing costs and environmental impact?
This proposal, DeTAI, addresses this challenge by improving data efficiency in VLM training. The project targets a 50% reduction in data volume while maintaining performance within 2% of standard benchmarks. DeTAI introduces a unified framework for analysing data redundancy through insights into VLM learning dynamics, enabling principled selection and generation of high-quality data. Redundancy quantification will inform the design of multimodal dataset distillation methods that exploit model learning patterns. The project will conduct comprehensive benchmarking of data-efficient training strategies, including evaluations of generalisation, robustness and fairness in low-data regimes such as medical image analysis.
By advancing state of the art in data-efficient VLM training, DeTAI promotes sustainable AI development and reliable deployment. It democratises access to foundation model research, particularly for under-resourced groups. Beyond its scientific contributions, DeTAI will strengthen the fellow’s expertise in AI and project leadership, consolidating the position as an emerging leader in efficient and responsible AI.

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2025-PF

Voir tous les projets financés au titre de cet appel

Coordinateur

UNIVERSITY OF BATH
Contribution nette de l'UE
€ 260 347,92
Adresse
CLAVERTON DOWN
BA2 7AY BATH
Royaume-Uni
Région
South West (England) Gloucestershire, Wiltshire and Bristol/Bath area Bath and North East Somerset, North Somerset and South Gloucestershire
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total
Aucune donnée