Next Generation AI er DIRECs aktuelle strategiske satsning på at forme fremtidens kunstige intelligens. Gennem nye, tværgående forskningssamarbejder mellem universiteter og erhvervsliv har aktiviteterne fokus på at udvikle avancerede AI-teknologier, der skaber konkret værdi for samfundet, virksomheder og den offentlige sektor.
Sideløbende har DIREC opbygget en stærk projektportefølje inden for kunstig intelligens og maskinlæring. Porteføljen spænder over områder som maskinlæringsmetoder, computersyn, naturlig sprogbehandling, indlejret AI og teknologier, der værner om privatliv.
DIREC har bevilget 27 millioner kroner til syv nye forskningsprojekter med fokus på at udvikle næste generation af AI. Målet er at sikre danske digitale gennembrud, der skaber håndgribelige gevinster for samfundet. Initiativet er en del af den forskningsbevilling, som DIREC modtog i november 2024 fra Uddannelses- og Forskningsministeriet.
Dette projekt har til formål at udvikle retningslinjer og værktøjer, der gør det muligt for udviklere at bruge AI i softwareudvikling på en sikker og ansvarlig måde. På den måde styrkes cybersikkerheden direkte, samtidig med at AI understøtter både kvalitet og produktivitet.
Kvaliteten af en ultralydsscanning afhænger af operatørens erfaring og moderens individuelle fysiologi, hvilket betyder, at nogle kvinder får mere præcise vurderinger end andre. FairFM-projektet har til formål at fjerne denne forskelsbehandling ved at udvikle AI, der opdager og retter bias, så alle gravide kvinder får lige adgang til tidlig og præcis fosterdiagnostik.
REINS-projektet samler B&O, Leica Geosystems, Alexandra Instituttet, DTU og SDU i en fælles mission: at udvikle AI, der kører effektivt på enheder, som opererer i dynamiske miljøer med meget begrænset regnekraft. Resultatet er teknologi, der sparer energi, reagerer øjeblikkeligt og kan fungere overalt.
Databaser sporer information, flytter den frem og tilbage og sikrer problemfri integration på tværs af systemer — men alt dette bruger energi. Meget energi. Hvad nu, hvis det kunne gøres mere effektivt? Dette spørgsmål er centralt for projektet. Ved at optimere kode og databaser med AI har GREENSQL potentiale til drastisk at reducere energiforbruget.
PERSIST-projektet har til formål at demonstrere, hvordan banebrydende AI kan omsættes til praktiske løsninger, der beskytter mennesker, miljøet og kritisk infrastruktur, samtidig med at omkostningerne reduceres, sikkerheden forbedres, og en grønnere og mere robust energiforsyning understøttes.
1813AI fokuserer på borgere med skader og udvikler en borgerrettet, adaptiv AI-chatløsning, der gennem en ny selvbetjeningsapp vil give vejledning og hente information i ventetiden. Dette skaber hurtigere adgang til hjælp, reducerer personalets stress og bidrager til en mere retfærdig og effektiv sundhedsservice.
Mange forskere arbejder på at bringe avancerede AI-funktioner til co-bots. Men AI er ofte ikke bevidst om sine egne fejl. Når AI blot er ChatGPT, der skriver en e-mail, vil en fejl højst betyde, at e-mailen ikke giver mening. Men hvis AI styrer en co-bot, kan en fejl forårsage skader på medarbejdere eller ødelægge robotens omgivelser.
Nedenfor præsenteres en portefølje af projekter inden for kunstig intelligens og maskinlæring, som omfatter områder som maskinlæringsmetoder, computer vision NLP, indlejret AI og teknologier, der beskytter privatlivet.
Selvom mange af disse projekter nu er afsluttet, udgør de fortsat væsentlige bidrag til både AI-forskning og udviklingen af praktiske anvendelser. Samlet set illustrerer projekterne bredden af DIRECs engagement inden for AI — fra veletablerede forskningsområder til nye, fremtidsrettede initiativer under Next Generation AI.
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
Towards Autonomous Multi-UAV U-Space Operation Planning
Kaspar A.R. Grøntved, Jes Hundvadt Jepsen, Anders Lyhne Christensen, Kjeld Jensen, Ulrik Pagh Schultz Lundquist, Miguel Campusano
Fostering Trust Through User Interface Design in Multi-Drone Search and Rescue
Johanna Ahlskog, Maria-Theresa Bahodi, Artur Lugmayr, Timothy Robert Merritt
Show Me What’s Wrong: Impact of Explicit Alerts on Novice Supervisors of a Multi-Robot Monitoring System
Maria-Theresa Bahodi, Niels van Berkel, Mikael B. Skov & Timothy Robert Merritt
AdaBoost is not an Optimal Weak to Strong Learner
Mikael Møller Høgsgaard, Kasper Green Larsen, Martin Ritzert
Advanced Acceleration and Implementation of Convolutional Neural Networks on FPGAs
Jalil Boudjadar, Iman Sharifirad
An Automatic Guidance and Quality Assessment System for Doppler Imaging of Umbilical Artery
CK Wong, M Lin, A Raheli, Z Bashir, MBS Svendsen, MG Tolsgaard, A Feragen, A Nymark
Challenges and Requirements in Multi-Drone Interfaces
Hoang, MT.O, van Berkel, N., Skov, M.B., and ., Merritt, T.
Drone Swarms to Support Search and Rescue Operations: Opportunities and Challenges
Hoang, MT.O., Grøntved, K.A.R., van Berkel, N., Skov, M.B., Christensen, A.L., Merritt, T
I saw, I conceived, I concluded: Progressive Concepts as Bottlenecks
M Lin, A Feragen, Z Bashir, MG Tolsgaard, AN Christensen
Learning Topological Similarity for Curvilinear Structure Segmentation
M Lin, K Zepf, AN Christensen, Z Bashir, MBS Svendsen, M Tolsgaard, A Feragen
Leveraging Shape and Spatial Information for Spontaneous Preterm Birth Prediction
P Pegios, EEP Sejer, M Lin, Z Bashir, MBS Svendsen, M Nielsen, E Petersen, A Nymark, M Tolsgaard, A Feragen
On convex conceptual regions in deep network representations
Tětková, L., Brüsch, T., Scheidt, T.K., Mager, F.M., Aagaard, R.Ø., Foldager, J., Alstrøm, T.S. and Hansen, L.K.
MM Algorithms to Estimate Parameters in Continuous-time Markov Chains
G Bacci, A Ingólfsdóttir, KG Larsen, R Reynouard
Removing confounding information from fetal ultrasound images
K Mikolaj, M Lin, Z Bashir, MBS Svendsen, M Tolsgaard, A Nymark, A Feragen
Robustness of Visual Explanations to Common Data Augmentation Methods
Lenka Tĕtková, Lars Kai Hansen
Multi-centre deep learning for placenta segmentation in obstetric ultrasound with multi-observer and cross-country generalization
Andreasen LA, Feragen A, Christensen AN, Thybo JK, Svendsen MBS, Lekadir K, Tolsgaard MG
Unionized Data Governance in Virtual Power Plants: Poster
Niels Ørbæk Chemnitz, Phillippe Bonnet, Sebastian Büttric, Irina Shklovski, Laura Watts
Measurements, Algorithms, and Presentations of Reality: Framing Interactions with AI-Enabled Decision Support
Niels van Berkel, Maura Bellio, Mikael B. Skov, Ann Blandford
Using Signals to Support Trust Building in Clinical Human-AI Collaboration
Naja Kathrine Kollerup, Mikael B. Skov, Niels Van Berkel
Challenges arising in a Multi-Drone System for Search and Rescue
Maria-Theresa Oanh Hoang, Niels van Berkel, Mikael B. Skov, Timothy Merritt
