Färre olyckor på vägen, och färre driftstopp. Det är det förväntade resultatet av detta forskningsprojekt som använder data från lastbilar för att utveckla nya maskininlärningsmodeller. Modellerna kommer att berätta för oss när underhåll behövs – innan fordonen går sönder.

Hur kan vi förhindra att tunga fordon går sönder? REMAP utvecklar förklarbar AI som lär sig från komplexa verkstads- och sensordata, upptäcker förändringar över tid och uppdaterar sig själv genom återkoppling. Målet är tillförlitligt underhåll och hållbara transporter.

Maskininlärning har utvecklats och införts inom en rad olika områden där kraven på noggrannhet och tolkningsbarhet är höga. Ändå brister tolkningsbarheten i många maskininlärningsmodeller. I det här avhandlingsprojektet undersöks hur algoritmerna kan förbättras.

Stora språkmodeller driver dagens AI-assistenter, men de fungerar ofta som ”svarta lådor”. Det här projektet undersöker varför språkmodeller kan vara opålitliga och hur metoder för förklarbarhet kan göra deras beslut mer transparenta, tillförlitliga och hållbara.

Detta EU-projekt går ut på att öka livsmedelssäkerheten för medborgarna. I dag finns en mängd olika datakällor som innehåller livsviktig information om maten vi äter, men problemet är att källorna är så spridda. Vi undersöker hur data kan utvinnas, aggregeras och analyseras med hjälp av AI.