Søg
Close this search box.

Kunstig intelligens – maskinlæring, computer vision, natural language processing

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.

Projekter

Bridge project

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.

Læs mere »
Bridge project

Edge-based AI Systems for Predictive Maintenance

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.

Læs mere »
Bridge project

Multimodal Data Processing of Earth Observation Data

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. 

Læs mere »
Bridge project

AI and Blockchains for Complex Business Processes

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. 

Læs mere »
SciTech project

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.

Læs mere »
Bridge project

Verifiable and Safe AI for Autonomous Systems

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.

Læs mere »
Bridge project

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.

Læs mere »
Bridge project

Embedded AI

Embedded AI will revert the current AI processing flow from collecting data at the edge and processing it at the cloud, to a flow where AI algorithms are migrated from the cloud to a distributed network of AI enabled edge-devices, which will increase responsiveness and functionality, reduced data transfer, and increased resilience, security, and privacy.

Læs mere »
SciTech project

Machine Learning Algorithms Generalisation

AI is radically changing society and the main driver behind new AI methods and systems is machine learning. Machine learning focuses on finding solutions for, or patterns in, new data by learning from relevant existing data. Thus, machine learning algorithms are often applied to large datasets and then they more or less autonomously find good solutions by finding relevant information or patterns hidden in the data.

Læs mere »

Workstreamleder

Mads Nielsen

Professor

University of Copenhagen
Department of Computer Science
E: madsn@di.ku.dk
T: +45 24 60 05 99​

Tilknyttede personer

University of Southern Denmark
The Maersk Mc-Kinney Moller Institute

Aalborg University
Department of Computer Science

Danmarks Tekniske Universitet
Institut for Matematik og Computer Science

Syddansk Universitet
Mærsk Mc-Kinney Møller Instituttet

Copenhagen Business School
Institut for Digitalisering

Roskilde University
Department of People and Technology