Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Data-efficient model training for sustainable artificial intelligence

Descrizione del progetto

Efficienza dei dati nell’addestramento dei modelli linguistici visivi

L’intelligenza artificiale (IA) riveste un ruolo importante nell’assistenza sanitaria, nella diagnostica medica e nella tutela del patrimonio culturale. I recenti progressi nei modelli di base, tra cui i modelli linguistici visivi (VLM), ne hanno dimostrato le abilità, ma il loro addestramento richiede risorse di calcolo, aumentando i costi ambientali e limitandone la facilità di accesso. DeTAI affronta questa sfida valutando se sia possibile ottenere prestazioni simili con una quantità di dati notevolmente inferiore. Sostenuto dal programma di azioni Marie Skłodowska-Curie, il progetto DeTAI si propone di dimezzare i requisiti di dati per l’addestramento dei VLM, pur mantenendone le prestazioni, attraverso l’analisi della ridondanza dei dati, il miglioramento dei metodi di distillazione dei set di dati multimodali e l’analisi comparativa delle strategie di addestramento efficienti in termini di dati per la generalizzazione, la solidità e l’equità, in particolare in applicazioni con scarse disponibilità di dati come la diagnostica per immagini. DeTAI sosterrà una ricerca responsabile sui modelli di base, soprattutto a vantaggio delle comunità dotate di scarse risorse.

Obiettivo

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.

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

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

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2025-PF

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

UNIVERSITY OF BATH
Contributo netto dell'UE
€ 260 347,92
Indirizzo
CLAVERTON DOWN
BA2 7AY BATH
Regno Unito
Regione
South West (England) Gloucestershire, Wiltshire and Bristol/Bath area Bath and North East Somerset, North Somerset and South Gloucestershire
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato