Online Algorithms with Predictions
Vores fokus er på at forbedre optimeringsalgoritmer i online beslutningstagning. Ved at anvende teknikker fra online algoritmer til løsning af optimeringsproblemer kan vi give garantier for værst tænkelige scenarier, men den normale (gennemsnitlige) adfærd kan være utilfredsstillende. Ved hjælp af teknikker fra maskinlæring kan vi ofte opnå god adfærd i praksis, men garantier mangler, især for situationer, der ikke er dækket af træningsdataene. Vi sigter mod at kombinere de bedste egenskaber fra disse to områder.
Cyber-Physical Systems with Humans in the Loop
At konstruere cyber-fysiske systemer med mennesker i loopet muliggør nye anvendelser som bio-computing, aktive læringssystemer og intelligente medicinske systemer. Disse applikationer giver mennesker og maskiner mulighed for at samarbejde om virkelige opgaver og integrerer aspekter af både Cyber-Physical Systems (CPS) og Socio-Technical Systems (STS). De kendetegnes ved tæt samarbejde mellem softwareteknologier med fokus på situationsforståelse, sikkerhed, privatliv, brugervenlighed og nem fejlhåndtering.
DeCoRe: Tools and Methods for the Design and Coordination of Reactive Hybrid Systems
Et tilbagevendende problem for digitaliserede virksomheder er at designe og koordinere hybride systemer, der inkluderer IoT (Internet of Things), edge- og cloud-løsninger. De nuværende anvendte metoder og værktøjer er ikke effektive til dette formål, fordi de i for høj grad er afhængige af uformelle specifikationer, der er manuelt skrevet og fortolket af mennesker.
Initiatives to improve recruitment and retention of IT students
Danmark har brug for flere IT-specialister. Men hvordan får vi flere unge til at studere datalogi og blive IT-specialister? Dette projekt, som består af to delprojekter, fokuserer på initiativer, der kan forbedre både rekruttering og fastholdelse af en større, men også mere mangfoldig gruppe af unge, f.eks. kvindelige studerende og studerende uden tidligere programmeringserfaring.
Algorithms education via animation videos
Forelæsninger om algoritmer består traditionelt af tavle-/slidedemonstrationer og læsemateriale. Denne metode er dog ikke nødvendigvis optimal for alle studerende: Flere meget populære YouTube-kanaler for matematik og andet videnskabeligt indhold med millioner af visninger indikerer, at lærende kan reagere meget positivt på professionelt producerede undervisningsvideoer. Dette projekt sigter mod at skabe og evaluere et indledende bibliotek af sådanne videoer til at supplere undervisningen i algoritmer.
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.
EXPLAIN-ME: Learning to Collaborate via Explainable AI in Medical Education
Sammen med klinikere har dette projekt til formål at udvikle forklarende AI, der kan hjælpe medicinsk personale med at træffe kvalificerede beslutninger ved at agere som en mentor, der giver feedback og råd, når personalet træner. Det er vigtigt, at den forklarlige AI giver gode forklaringer, som er lette at forstå og bruge under det medicinske personales arbejdsgang.