Kunstig intelligens er en af de teknologier, der anses for at få størst indvirkning på samfundet i de kommende år, og teknologien har potentiale for at øge Danmarks BNP med 1,6% årligt. Danmark har som et af de mest digitaliserede lande i verden registreret store mængder offentlige og private data, og hver dag genereres nye data.
Målene med denne workstream er:
At højne den teoretiske viden og løfte kompetencerne inden for kunstig intelligens og demonstrere teknologiens anvendelse i praksis i samarbejde med startups, virksomheder og offentlige institutioner. En række demonstrationsprojekter skal vise potentialet og effekterne.
Der er klare synergier med de øvrige temaområder, da det er blevet muligt at anvende maskinlæring, hvor man før traf regelbaserede beslutninger. Maskinlæring bruges i stigende grad til at analysere store datasæt, herunder billed- og tekstdata. Der er ligeledes synergi med bl.a. Effektive algoritmer og datastrukturer ift. udvikling af nye effektive maskinlæringsalgoritmer.
Maskinlæring og kunstig intelligens bruges også inden for brugergrænseflader og informationsvisualisering samt inden for cyber-fysiske, autonome og IoT-baserede systemer. Kunstig intelligens bruges desuden i stigende grad inden for verifikation og cybersikkerhed, ligesom der er øget fokus på at verificere robustheden i dybe neurale netværk.
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.
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.
AI er i øjeblikket afhængig af store datacentre og centraliserede systemer, hvilket nødvendiggør databevægelse til algoritmer. For at imødegå denne begrænsning udvikler AI sig mod et decentraliseret netværk af enheder, der bringer algoritmerne direkte til dataene. Dette skift, muliggjort af algoritmisk smidighed og autonom datadiscovery, vil reducere behovet for høj-båndbreddeforbindelse og forbedre datasikkerhed og privatliv, hvilket letter realtids edge-læring.
Hvordan kan vi udnytte de potentielle fordele ved at have flere robotter, der arbejder parallelt for at reducere tiden til færdiggørelse? Dette projekt har til formål at adressere samarbejde med flere robotter og designe og evaluere teknologiske løsninger, der gør det muligt for brugere at engagere og kontrollere autonome multirobotsystemer.
Projektet har sammen med industrielle partnere til formål at udvikle metoder og værktøjer, der sætter industrien i stand til at udvikle nye effektive løsninger til at udnytte den enorme mængde forretningsdata, der genereres af disse systemer.
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.
Projektet har sammen med industrielle partnere til formål at udvikle metoder og værktøjer, der sætter industrien i stand til at udvikle nye effektive løsninger til at udnytte den enorme mængde forretningsdata, der genereres af disse systemer.
Sammen med industrielle partnere vil dette projekt undersøge produktionsscenarier, hvor en maskine kan betjenes af utrænet personale ved at bruge lavkodeudvikling til adaptiv og rekonfigurerbar robotprogrammering af logistiske opgaver.
Den hastigt voksende anvendelse af maskinlæringsteknikker i cyberfysiske systemer fører til bedre løsninger og produkter med hensyn til tilpasningsevne, ydeevne, effektivitet, funktionalitet og brugervenlighed. Cyberfysiske systemer er dog ofte sikkerhedskritiske, fx selvkørende biler eller medicinsk udstyr, og behovet for verifikation mod potentielt dødsulykker er af afgørende betydning.
Baseret på observationer af jorden opbygger og vedligeholder en række danske offentlige organisationer vigtige datagrundlag, der bruges til beslutningstagning, fx til at eksekvere miljølovgivning eller træffe planlægningsbeslutninger i både private og offentlige organisationer i Danmark. Dette projekt har til formål at understøtte den digitale acceleration af den grønne omstilling ved at styrke datagrundlaget for miljødata.
Nedetid på udstyr er dyrt og en kilde til sikkerhedsmæssige og juridiske udfordringer. I dag anvender organisationer en konservativ plan for forebyggende vedligehold, som er uafhængig af udstyrets tilstand. Dette resulterer i unødvendige omkostninger til service og lejlighedsvise afbrydelser af produktionen på grund af uventede fejl.
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.
Professor
University of Copenhagen
Department of Computer Science
E: madsn@di.ku.dk
T: +45 24 60 05 99
Professor
University of Southern Denmark
The Maersk Mc-Kinney Moller Institute
Professor
Aalborg University
Department of Computer Science
Professor
Danmarks Tekniske Universitet
Institut for Matematik og Computer Science
Professor
Syddansk Universitet
Mærsk Mc-Kinney Møller Instituttet
Lektor
Copenhagen Business School
Institut for Digitalisering
Professor
Roskilde University
Department of People and Technology
