Običajni načini implementacije umetne inteligence (UI) predstavljajo resne ovire, povezane s centralizacijo podatkov, pristranskostjo modela in izključevanjem nekaterih uporabnikov. Te nevarnosti postanejo še posebej zaskrbljujoče, ko se naša odvisnost od UI povečuje in jo začnemo uporabljati za številne vitalne naloge, od medicinske diagnostike do avtonomne vožnje. S ciljem, da bi umetna inteligenca postala bolj vključujoča in učinkovita, želimo v tem projektu postaviti temelje, da bo taka umetna inteligenca postala izvedljiva v prihodnjih letih. XS temelji na vpogledu, da je mogoče ključne omejevalne dejavnike za učinkovito umetno inteligenco računalniško obremenitev treniranja modelov selektivno zmanjšati, da se omogoči vključitev širših populacij in doseganje podrobnejših učnih ciljev.
Za uresničitev XS bomo:
- Preiskali metode treniranja modelov globokega učenja, ki predstavljajo alternativo trenutno prevladujočem načinu treniranja s pomočjo vzvratnega razširjanja, in omogočajo treniranje, ki je posebej primerno za robne računalniške naprave;
- Oblikovali in implementirali dinamično nastavljivo približno računanje pri treniranju nevronske mreže, ki omogoča heterogenim napravam, da delujejo sinhrono in skupaj gradijo modele AI;
- Raziskali vrsto novih paradigem za porazdeljeno učenje, ki združujejo zvezno in razdeljeno učenje, ter omogočajo prilagodljivo porazdeljeno računanje (treniranje nevronskih mrež) na heterogenih računalniških napravah.
XS združuje do sedaj neodvisne poglede na porazdeljeno strojno učenje, približno in robno računalništvo ter odpira novo raziskovalno področje, ki obsega vključujočo in učinkovito AI.