Søg
Close this search box.
Kategorier
AI Nyheder

Prisen går til…

13. december 2023

Prisen går til...

Ph.d.-studerende Axel Christfort og hans vejleder, lektor Tijs Slaats fra Københavns Universitet, vandt Process Discovery Contest ved konferencen “5th International Conference on Process Mining” med deres DisCoveR miner.

I en bemærkelsesværdig præstation vandt den ph.d.-studerende Axel Christfort og hans vejleder, lektor Tijs Slaats Process Discovery Contest ved konferencen “5th International Conference on Process Mining”.

Deres avancerede DisCoveR miner leverede de mest præcise modeller og udmærkede sig som den eneste algoritme, der formåede at fuldføre opgaver inden for opdagelse og klassificering inden for den tildelte tid.

Process discovery-algoritmer spiller en afgørende rolle i analyse af begivenhedslogfiler, idet de genererer menneskeligt læsbare modeller, der belyser adfærden registreret i loggen. Dette inkluderer en forståelse af, hvordan individer sekventerer aktiviteter i deres arbejdsprocesser. Konferencen ICPM, arrangørerne af Process Discovery Contest, evaluerer indsendelser baseret på nøjagtighed og kræver, at deltagerne udvinder modeller for en forskelligartet række logfiler og korrekt klassificerer tilhørende ground truth-traces.

Dette er den tredje pris i Process Discovery Contest til Process Modelling and Intelligence-gruppen fra Institut for Datalogi, Københavns Universitet. I 2021 sikrede de sig priserne for den bedste samlede og den bedste imperative miner – DisCoveR miner.

DisCoveR opstod fra en kandidatafhandling af Viktorija Sali og Andrew Tristan Parli, vejledt af professor Slaats. Algoritmen er blevet yderligere forfinet af industriel ph.d.-studerende Christoffer Olling Back fra ServiceNow, med løbende forbedringer af Axel Christfort. Danmarks Frie Forskningsfond, DIREC – Digital Research Centre Denmark og Innovationsfonden har ydet afgørende støtte til dette banebrydende arbejde.

Axel Christfort and Tijs Slaats udnævnes som vindere af Process Discovery Contest Winners

Den industrielle anvendelse af DisCoveR er blevet demonstreret gennem implementering af DCR Solutions. Algoritmens effektivitet og anvendelse er blevet valideret i virkelige scenarier, hvilket understreger dens betydning i praksis. Vedvarende bidrag fra ph.d.-studerende Vlad Paul Cosma og professor Thomas Hildebrandt har yderligere udvidet og forbedret mineren, hvilket har øget dens pålidelighed.

På sigt ser Process Modelling and Intelligence-gruppen frem til at bygge videre på disse resultater for at sikre yderligere finansiering og fremme nye samarbejder. Teamet er allerede ved at gøre sig klar til næste iteration af ICPM med det mål at fortsætte deres sejrstime og yderligere udvikle feltet inden for procesopdagelse.

FAKTA

Lektor Tijs Slaats er projektleder for DIREC-projektet ‘AI and Blockchain for comlex business processes’.

Sammen med virksomhedspartnere har projektet til formål at udvikle metoder og værktøjer, der muliggør, at industrien kan udvikle nye effektive løsninger til udnyttelse af den enorme mængde forretningsdata, der genereres af virksomheds- og blockchain-systemer, med fokus på værktøjer og ansvarlige metoder til brug af procesindsigter til forretningsintelligens og transformation.

Kategorier
Business innovation Digital entrepreneurship Nyheder

Det kræver samarbejde med folk med andre ekspertiser at drive sin ide frem 

11. december 2023

Det kræver samarbejde med folk med andre ekspertiser at drive sin ide frem 

Kurt Nielsen er en af pionererne bag en krypterings- og blockchainteknologi til beskyttelse af følsomme data mens de bruges, og medstifter af Partisia. Her fortæller han om rejsen fra forsker til CEO. 

Det hele begyndte som to forskningsprojekter på Aarhus Universitet, da et lille hold forskere med forskellige baggrunde inden for kryptografi, erhvervsøkonomi og softwareudvikling fandt sammen. Samarbejdet resulterede i en skelsættende teknologi inden for kryptografi, og i 2008 så tech-virksomheden Partisia dagens lys. 
 
CEO og partner Kurt Nielsen kommer med en baggrund inden for matematik og økonomi og var med fra begyndelsen – fra den første idé opstod hos professor Ivan Damgård på Institut for Datalogi ved Aarhus Universitet til etableringen af Partisia, som i dag, 15 år senere, er førende inden for avanceret kryptografi og blockchainteknologier til blandt andet den finansielle sektor. 
 
Dengang var Kurt Nielsen i fuld gang med sin ph.d., da han faldt i snak med professor Ivan Damgård. I de kommende år arbejdede de tæt sammen om udviklingen og udrulningen af den nye krypteringsteknologi, og et samarbejde med den daværende fødevareproducent Danisco blev det store gennembrud. 
 
Danisco var på daværende tidspunkt i gang med et omfattende omstruktureringsforløb og blev den første virksomhed til at anvende den nye krypteringsteknologi. Samarbejdet blev det industrigennembrud, som forskerholdet havde arbejdet hen imod i årevis – både teknologisk og kommercielt, og fra da af tog tingene fart, og flere offentlige og private samarbejder fulgte. 

Fra teknologisk gennembrud til iværksættereventyr

 
Fra at tro, man har løsningen, til man har skabt en levedygtig forretning er der langt. Processen kræver tålmodighed, siger Kurt Nielsen. Partisia var tidligt ude med en helt ny teknologi, og det tog mange år, før markedet var klar til at købe ind, fortæller han. 
 
Undervejs møder man masser af modstand og svære diskussioner om alt fra strategi til økonomi. Det skal man være indstillet på, og skal man have en chance for at få succes, kræver det, at teamet kan udfordre hinanden, lytte og indgå kompromisser, når det gælder. 
 
Hvad betyder det at komme med en baggrund som forsker, når man etablerer en virksomhed?
 
”I mit arbejde som forsker og lektor på KU opstår der konstant nye ideer. Jeg bliver drevet frem af de ideer og får energi af det. Jeg tror, at mange forskere har den samme drivkraft – det, som afgør, om man får succes med et produkt eller en virksomhed, er den kommercielle tilgang, og den svinger meget fra forsker til forsker. 
 
Ikke alle har den, men der findes fantastisk dygtige grundforskere, som har en god forståelse for, hvordan man bringer en ide videre, og som forstår, at det kræver samarbejde med folk med andre ekspertiser at drive sin idé frem. 
 
Personligt har jeg i hele min universitetskarriere været ”iværksætter”, og allerede tidligt i min karriere hjalp jeg nogle venner med at starte et selskab, men så sprang dotcom-boblen, og jeg vendte tilbage til universitetet og en ph.d., imens jeg overvejede mine fremtidsmuligheder. 
 
At være iværksætter er en tilstand. Du skal hele tiden se efter nye muligheder og være interesseret i at sammensætte stærke teams. 
Det gælder internt i en virksomhed og på universitetet, når man arbejder sammen om forskningsprojekter. Teamet er afgørende.” 
 
Hvor har du det her iværksættergen fra? 


”Det er et godt spørgsmål. Jeg har altid selv opsøgt mulighederne, jeg prøver at skabe noget via mit arbejde og ikke være låst til et bestemt job hele livet. I virkeligheden har jeg aldrig betragtet mig selv som lønmodtager, selvom jeg har fået og får løn som forsker. Det er lysten til at skabe og udvikle, som driver mig.”  
 
Om Partisia  
Partisia er et spinout fra Aarhus Universitet etableret af internationalt anerkendte forskere og eksperter i avanceret kryptografi, erhvervsøkonomi og softwareudvikling samt erfaringer med at bringe forskningsidéer på markedet. Kombinationen af kompetencer gør Partisia i stand til rettidigt at levere løsninger, der både er bundsolide og yderst innovative. 
 
Som pioner har Partisia solgt sikker multiparty computation (MPC) og andre softwareløsninger til beskyttelse af privatlivets fred siden 2008. Partisia fokuserede oprindeligt på sikre auktioner for råvarer som produktionskontrakter, energirelaterede produkter og auktioner brugt til salg af spektrumlicenser.  
 
Siden den første kommercielle brug er MPC-teknologien modnet markant og blevet mere agil og ikke mindst meget hurtigere, hvilket gradvist har forvandlet MPC til en generisk infrastruktur til privatlivsbevarende beregninger.  
 
Parallelt med denne udvikling har Partisia udviklet infrastruktur til styring af krypteringsnøgler og generisk infrastruktur til sikker beregning samt forskellige applikationer på tværs af platforme fra cloud computing til blockchain-teknologier. 
 
Som en del af kommercialiseringsstrategien er udvalgte virksomheder blevet flyttet og modnet i separate spinouts sammen med investorer og andre forretningspartnere, det vil særligt sige Sepior.com (kryptografisk nøglehåndtering) og Partisia (applikationer og infrastruktur, der kombinerer MPC og blockchain-teknologier). I 2022 blev Sepior solgt til en større amerikansk blockchain virksomhed, Blockdaemon, og Partisia er i dag i fuld gang med en større opskalering nu også med fokus på kvantecomputere. 
 
Læs om DIREC’s indsatsområde Digital Tech Startups 
 

Partisia-teamet samlet i sommeren 2023

Kategorier
Afholdte arrangementer

PhD defence: Hao Miao

PhD Defence by Hao Miao

Aspects of Deep Spatio-Temporal Analytics for Time Series, Streaming, and Trajectory Data

Abstract

The widespread deployment of wireless and mobile devices results in a proliferation of spatio- temporal data (e.g., time series, streaming, and trajectory data) that is essential for applications, e.g., traffic and air quality prediction, where spatio-temporal analytics plays a key role in ensuring safety, predictability, and reliability. While recent studies have demonstrated superior performance in deep spatio-temporal analytics, many approaches struggle to adapt to real-world conditions. In particular, existing methods suffer from three limitations: 1) existing deep methods typically require large-scale training data, incurring high storage and computational costs; 2) when applied to streaming data, many models suffer from catastrophic forgetting, resulting in deteriorating prediction accuracy over time; and 3) existing solutions often assume centralized data, which leads to privacy concerns and fails to exploit decentralized data processing.

This Ph.D. study aims to systematically study deep spatio-temporal analytics with emerging techniques. Specifically, we target four types of functionality: time series dataset condensation, streaming spatio-temporal prediction, federated trajectory recovery, and federated trajectory similarity learning.

First, we address the problem of time series dataset condensation. The goal is to reduce training costs by summarizing large datasets into smaller, synthetic datasets that can then be used for training instead. We introduce TimeDC, an efficient time series dataset condensation framework that uses two-fold modal matching. TimeDC encompasses a time series feature extraction module for effective feature learning, a decomposition-driven frequency matching module for achieving temporal correlation preservation, and a curriculum- based trajectory matching module for ensuring that the synthetic datasets capture key patterns in the original dataset.

Second, we investigate spatio-temporal prediction on streaming data. We propose URCL, a unified replay-based streaming framework with three key modules: data integration, spatio-temporal continuous representation learning, and spatio-temporal prediction. Specifically, a spatio-temporal mixup mechanism is introduced to alleviate catastrophic forgetting, and a simple siamese network is designed to facilitate holistic feature learning.

Third, we study the problem of federated trajectory recovery, focusing on privacy preservation and enabling decentralized training. We propose LighTR+, a horizontal federated framework, which consists of a lightweight local trajectory embedding module, an intra-domain knowledge distillation module, and a meta-knowledge enhanced local-global training scheme. LighTR+ alleviates intra- and inter-domain interferences across clients while reducing communication costs between clients and the server, thereby facilitating privacy protection and improving efficiency.

Fourth, we explore federated trajectory similarity learning for decentralized data processing. We propose the F-TSL framework based on horizontal federated learning, a server-clients architecture. The framework includes a local trajectory preprocessing and learning module for clients, a privacy-preserving clustering module, and a server-side aggregation module, where the privacy-preserving clustering module leverages differential privacy to handle data heterogeneity across clients.

See event here

 

 
 
 
Kategorier
DIREC opinion Nyheder

ChatGPT sender forskningen ind i en ny epoke – og det kalder på nye spilleregler

1. december 2023

ChatGPT sender forskningen ind i en ny epoke – og det kalder på nye spilleregler

Sprogmodeller som ChatGPT vil ændre hvordan, vi bedriver forskning. For at sikre gennemsigtighed og opretholde tilliden til forskningen, bør der laves et ‘code of conduct’, skriver fire personer fra Videnskabernes Selskab.

Forfatterne bag debatindlægget:

  • Kim Guldstrand Larsen, professor ved Institut for Datalogi, Aalborg Universitet, medlem af Videnskaberne Selskab.
  • Susanne Ditlevsen, forperson for den naturvidenskabelige klasse i Videnskabernes Selskab, professor ved Institut for Matematiske Fag, Københavns Universitet.
  • Thomas Sinkjær, generalsekretær, Videnskabernes Selskab, professor ved institut for medicin og sundhedsteknologi, Aalborg Universitet.
  • Kristoffer Frøkjær, kommunikationschef i Videnskabernes Selskab

For nylig producerede israelske videnskabsfolk fra Technion en forskningsartikel på under en time med hjælp fra ChatGPT.
Artiklen var flydende, indsigtsfuld og præsenteret i den forventede struktur for en videnskabelig artikel. Men “resultaterne” i artiklen var “ikke engang tæt på at være nye”. Det vil ændre sig i fremtiden.

Læs hele artiklen på Altinget