Pålitlig AI i säkra autonoma system

Datadrivna utvecklingsmetoder visar sig producera träffsäkra modeller för perceptionsrelaterade funktioner som objektdetektion och semantisk segmentering, men de flesta modellerna saknar de övergripande egenskaper som gör dem lämpliga för tillförlitliga system. Detta projekt ämnar resultera i robusta maskininlärningsmodeller som möter upp och överträffar de krav som ställs för certifiering.

En betydande faktor i noggrannheten hos en tränad modell beror på det underliggande dataset den tränats på, men ändå fokuserar en stor del av forskningen idag på utveckling av modellarkitektur. Detta projekt avser belysa och adressera datasidan av problemet, vilket inkluderar nya data-anpassningsmetoder såsom neural anpassning. Förväntade resultat från projektet är att grunden läggs för säkerhetskritiska tillförlitliga ML-system samt att tillhandahålla metodiken för att iterera och förfina sådana system.

Projektmål

Huvudmålet med projektet är att producera i robusta maskininlärningsmodeller som möter upp ochöverträffar de krav som ställs för certifiering.