KI-Nachwuchswissenschaftlerinnen Mit der Bekanntmachung „Förderung von KI-Nachwuchswissenschaftlerinnen“ vom 19. Juni 2019 wird das Ziel verfolgt, den Anteil qualifizierter Frauen in Führungspositionen der deutschen KI Forschung zu steigern und den Einfluss von Wissenschaftlerinnen auf das Themengebiet nachhaltig zu stärken. Die Erforschung von KI-Fragestellungen zu neuartigen und innovativen Themen durch Nachwuchsgruppen, die von Frauen geleitet werden, steht im Fokus. Nachwuchswissenschaftlerinnen aus den Fachbereichen Informatik, Mathematik, Physik, Linguistik, Neuro- und Kognitionswissenschaften, Psychologie oder angrenzender Fachgebiete sowie aus KI-bezogenen Spezialisierungen in Anwendungsgebieten werden gefördert, um die Forschung zum Thema KI in Deutschland weiter voranzubringen und um die verantwortungsvolle Beteiligung von herausragend qualifizierten Frauen im Wissenschaftssystem weiter zu erhöhen. Mit der Förderung der Nachwuchsgruppen soll den Wissenschaftlerinnen die Möglichkeit gegeben werden, eigenständige Forschung zu betreiben, ihr wissenschaftliches Profil zu stärken und ihre Sichtbarkeit zu erhöhen. Einsatz von Videos in der biologischen Forschung Trotz der enormen Fortschritte des maschinellen Lernens in der statischen Bildanalyse stellt die Extraktion von Informationen aus Videos immer noch eine Herausforderung dar. Gleiche, in Videos kodierte Aktivitäten können visuell sehr unterschiedlich sein und durch andere Aktionen und Objekte in der Aufzeichnung verdeckt werden. Die Analyse des Verhaltens von Tieren beruht vorwiegend auf einer Reihe von benutzerdefinierten Verhaltenskategorien oder auf der Verwendung grober Gesetzmäßigkeiten wie der mittleren Geschwindigkeit oder der Häufigkeit bestimmter Ereignisse (z. B. Drehen in einem Labyrinth oder Anheben einer Extremität). Während dieser Ansatz eine allgemeine Bewertung genetischer oder anderer biologischer Auswirkungen auf das Verhalten erlaubt, können auf diese Weise nur die gröbsten Aspekte des Verhaltens ermittelt werden, wobei möglicherweise subtile Effekte von Interesse übersehen werden, die nur auf einer feineren Skalenebene offensichtlich sind. In der biologischen Bildanalyse werden von maschinellem Lernen abgeleitete Darstellungen vorwiegend für hochrangige Entscheidungsaufgaben wie Segmentierung, Klassifikation oder die Schätzung der Tierhaltung verwendet. Obwohl sie unbestreitbar die automatisierte Verarbeitung von Versuchsergebnissen, die schnelle Diagnose wichtiger Gesundheitszustände oder die Quantifizierung von Tierbewegungen erleichtern, stützen sie sich in erster Linie auf vom Menschen erzeugte Kennzeichnungen und Domänenwissen. Eine solche überwachte Vorgehensweise erfordert nicht nur große Mengen annotierter Daten, sondern setzt auch voraus, dass das Wissen und die visuelle Wahrnehmung ausreichen, um die wichtigen Elemente zu erkennen.