Ergonomic & Practical Effect Systems

Effektsystemer er i øjeblikket et varmt forskningsområde inden for typeteori. Mange effektsystemer er dog meget komplicerede at bruge, selvom de er kraftfulde, især for programmører, der ikke er eksperter i typeteori. Effektsystemer med inferens kan give nyttige garantier til programmeringssprog, samtidig med at de er simple nok til at blive brugt i praksis af almindelige programmører.

Hardware/software Trade-off for the Reduction of Energy Consumption

Computerenheder bruger en betydelig mængde energi. Implementering af algoritmer i hardware ved hjælp af feltprogrammerbare gate-arrays (FPGA’er) kan være mere energieffektive end at udføre dem i software i en processor. Dette projekt udforsker klassiske sorterings- og stifindende algoritmer og sammenligner deres energieffektivitet og ydeevne, når de implementeres i hardware.

Software Infrastructures for Teaching at Scale

At kunne undervise i mange af de nyeste emner inden for digital teknologi i stor skala kræver en passende softwareinfrastruktur til at understøtte undervisningen i laboratorieøvelser og projekter. Nogle af disse emner omfatter datadrevne systemer, kunstig intelligens og cloud computing. Kommercielle udbydere tilbyder cloud computing- og AI-ressourcer, men i mange tilfælde er disse uegnede til undervisningsaktiviteter, da de er komplekse for begyndere, kan skabe problemer i forhold til GDPR, hurtigt gør undervisningsmateriale forældet på grund af ændrede brugergrænseflader og medfører betydelige omkostninger, når de skal skaleres.

Learning Technology for Improving Teaching Quality at Scale

Undervisningskvaliteten og studerendes feedback påvirkes negativt af mangel på lærere og et stort antal studerende. Der er behov for at overveje, hvordan læringsteknologier kan bidrage til at forbedre undervisningskvaliteten og studerendes feedback, både i fysiske og digitale læringsmiljøer.

Privacy and Machine Learning

Der er et behov for decentraliseret privatlivsbevarende maskinlæring. Cloud computing har et stort potentiale, dog er der mangel på tillid til tjenesteudbyderne, og der er risiko for databrud. Dette projekt har til formål at udvikle AI-metoder og værktøjer, der muliggør sikker og privatlivsbevarende brug af følsomme data til maskinlæring. Målet er at adressere manglen på tillid til cloud-tjenesteudbydere og risikoen for databrud, samtidig med at det bliver muligt at bruge analytiske værktøjer.

Machine Learning Algorithms Generalisation

AI ændrer vores samfund radikalt, og den vigtigste drivkraft bag nye AI-metoder og systemer er maskinlæring. Maskinlæring fokuserer på at finde løsninger på – eller mønstre i – nye data ved at lære af relevante eksisterende data. Derfor anvendes maskinlæringsalgoritmer ofte på store datasæt, hvor de mere eller mindre autonomt finder gode løsninger ved at finde relevant information eller mønstre, der er skjult i dataene.

Mobility Analytics using Sparse Mobility Data and Open Spatial Data

Mængden af mobilitetsrelateret data er steget massivt, hvilket muliggør en stadig bredere vifte af analyser. Når de kombineres med digitale repræsentationer af vejnet og bygningsinteriør, rummer disse data potentialet for at muliggøre en mere finkornet forståelse af mobilitet og for at muliggøre mere effektiv, forudsigelig og miljøvenlig mobilitet.

Deep Learning and Automation of Image-Based Quality of Seeds and Grains

I dag er manuel visuel inspektion af korn stadig en af de vigtigste kvalitetssikringsprocedurer i værdikæden for at bringe korn fra marken til bordet. Sammen med virksomhedspartnere har dette projekt til formål at udvikle og validere en metode til automatiserede billedbaserede løsninger, der kan erstatte subjektiv manuel inspektion og forbedre ydeevne, robusthed og konsistens af inspektionen.