Datavetenskap och dataanalys
Artificiell intelligens och intelligenta system
Grundläggande och tillämpad forskning inom artificiell intelligens och maskininlärning för intelligenta system för både industriella, medicinska och affärsapplikationer. Forskningen fokuserar på metoder och tekniker som möjliggör inlärning, resonemang, återanvändning av erfarenheter och erfarenhetsdelning. Vi arbetar med såväl autonoma AI-applikationer som beslutssupportsystem.
Kontaktperson
Kontaktperson
För att skapa intelligent beteende i system och tjänster använder vi artificiell intelligens inklusive maskininlärning och resonemang, djupinlärning, dataanalys, kunskapsupptäckt, ontologier, domänkunskap, instansbaserat lärande, djupinlärning, multiagentsystem (MAS) för att nämna några metoder och tekniker. AI är idag en viktig kärnteknologi i många projekt, vilket återspeglas i vår breda samverkan med andra grupper, projekt och universitet både nationellt och internationellt.
Forskningsfokus
- Forskning om maskininlärning och resonemang för ett brett tillämpningsområde inom industri och hälsovård för uppföljning, klassificering, diagnostik, förutsägelse och beslutsstöd.
- Forskning om dataanalys, funktionsutvinning och urval, datautvinning och kunskapsupptäckt
- Forskning om intelligent sensorsystem, datafusion och sensorsignalabstraktion
- Forskning om Big data till Smart data och Prediktiv analys
- Forskning om distribuerad artificiell intelligens och maskininlärning för Big data
- Forskning om djupinlärning för bildprocessering och datorvision
Pågående forskningsprojekt
HIVEMIND är ett projekt som syftar till att främja ansvarsfulla och människocentrerade programvaruutvecklingsmetoder, verktyg och bästa praxis som utnyttjar AI och datateknik för att påskynda hela mjukvaruutvecklingens livscykel.
Projektansvarig vid MDU: Mobyen Uddin Ahmed
Huvudfinansiering: European Union’s Horizon 2020
Det primära fokusområdet är gAI-baserade prognoser. I komplexa operativa scenarier kommer det övervaka, upptäcka och prognostisera industriell utrustning och maskinförhållanden med hänsyn till olika datamodaliteter, t.ex. bild, text och tabelldata som visas i användningsfallen.
Projektansvarig vid MDU: Shahina Begum
Huvudfinansiering: Vinnova
Målet med TRUSTY att tillhandahålla anpassning av transparensnivån för att öka tillförlitligheten för AI-drivna beslut i samband med fjärrstyrda digitala torn (RDT).
Projektansvarig vid MDU: Mobyen Uddin Ahmed
Huvudfinansiering: EU, Sesear3 joint undertaking