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. 

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.

Embedded AI

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.

HERD: Human-AI Collaboration: Engaging and Controlling Swarms of Robots and Drones

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.

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.

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. 

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.