Avslutade forskningsprojekt: Skövde Artificial Intelligence Lab

2015-2019 Big data har väckt stort intresse under de senaste åren på grund av den snabba ökningen av den enorma mängd data som finns tillgänglig för att lösa olika typer av uppgifter inom många olika tillämpningsområden. Dagens big data befinner sig dock fortfarande på en relativt låg abstraktionsnivå när det gäller komplexa beslutsstödsuppgifter och präglas ofta av utmaningar som hög dimension och betydande osäkerhet kring vilka mönster som bör identifieras i data.

2017-2021 Företag sparar kunddata i allt större utsträckning, exempelvis då transaktioner sker över nätet. Nuförtiden utspelar sig en mycket stor del av våra liv i en virtuell miljö, vilket avger digitala spår som företag kan använda sig av för att härleda information om oss som privatpersoner. Dock kan denna information innehålla konfidentiell data som en tredje part inte bör få ta del av.

2015-2020 En av de mest dramatiska och viktigaste utvecklingarna inom IT och i samhället i stort idag är den aldrig tidigare skådade tillväxten av data som är resultatet av ny teknik, nya användarbeteenden och nya affärsmodeller. Det mesta av denna är Big Data, det vill säga data som kännetecknas av stora volymer, hög hastighet, stor variation och osäker trovärdighet. Dessa egenskaper utgör betydande utmaningar när det gäller insamling, hantering och bearbetning av data.

2021 Artificiell intelligence och avancerad dataanalys utvecklar svensk elitgolf.

2019-2020 I det här projektet har vi för avsikt att förstå befolkningsdynamikens faktorer och mönster, tränga in i den mänskliga befolkningsdynamiken ”svarta låda” på en mycket detaljerad rumslig nivå genom att utveckla en förklarlig modell för maskininlärning. Vi avser att utveckla en modell som ådagalägger de inverkande faktorerna för att bättre förstå migrationsmönster (till exempel internationellt, klimatiskt) och förutsäga möjliga migrationstryck. Med samverkan från våra partners är detta arbete helt nytt såtillvida att det ska bygga en modell på rums- och tidsdatamängder om mänskliga befolkningsrörelser.

2018-2020 Uppmärksamheten kring fusariumangrepp på svenskt spannmål har under de senaste åren ökat. Angrepp kan leda till skördenedsättning, men den allvarligaste effekten är att svamparna kan bilda toxiner. I EUs lagstiftning kan man hitta gränsvärden för innehållet av fusariumtoxinerna då de är skadliga för både människor och djur. Vårt projekt syftar till att utveckla ett gårdsbaserat beslutsstöd för att bedöma risken för Fusariumangrepp och förhöjda deoxynivalenol (DON)-halter i spannmål. Det ska kunna användas av både rådgivare och lantbrukare.

2021-2024 Järn- och stålindustrin behöver effektiviseras och mängden skrot minskas för att öka avkastningen. Det som krävs är en snabbare och mer tillförlitlig produktion med skärpta toleranser – då skapas bättre produkter som snabbare når kund. Projektet INSITE-X ska utveckla en avancerad analys baserad på AI för att lokalisera tidigare okända beroende för att påskynda effektiviseringsprocessen inom stålindustrin.

2019-2022 Projektets övergripande mål är kunskapsöverföring till industrin av nya algoritmer och modeller för avsiktsigenkänning och om deras beroenden på data och infrastruktur, på en sådan nivå att det möjliggöra kommersiell exploatering av projektresultaten. För att uppnå detta kommer projektet att utveckla nya algoritmer för avsiktsigenkänning som är särskilt inriktat på den svenska fordonsindustrins behov, baserat på kunskap i forskningsfronten i områden som avsiktsigenkänning, AI, statistik och sensorteknik.

Detta projekt fokuserar på att reducera kostnader och risk inom algoritmisk handel med bibehållen lönsamhet genom tillämpning av maskininlärning.

Forskningen bidrar direkt till Saabs teknik- och produktutveckling genom utvecklandet av en ny metod med unika egenskaper för att hitta avvikelser i rörelsemönster hos exempelvis fartyg.

Industriproduktion kan vara komplicerad och många faktorer spelar in, till exempel när vissa maskiner slutar fungera. Men ett bättre beslutsstödsystem, där flera informationskällor beaktas, kan göra skillnad när kostnaderna summeras. I detta projekt har Bernard Schmidt studerat en modell som kan leda till minskade underhållskostnader.

2009-2013 Projektet undersökte hur informationsfusion, det vill säga synergisk integrering av tillgängliga data och information, kan användas för att erbjuda avancerat beslutsstöd för taktiskt samarbete mellan flygenheter i framtida flygplattformar.

2019-2022 Prediktivt underhåll baserat på artificiell intelligens och maskininlärning är ett topprankat användarfall med avseende på affärsnytta inom industriell digitalisering. Inte så konstigt med tanke på att Svensk tillverkningsindustri årligen betalar över 100 miljarder kr i underhållsrelaterade kostnader och 60% av alla underhållsaktiviteter är reaktiva.

2021-2023 Detta projekt syftar till att identifiera, justera och implementera AI-metoder för att förbättra och skapa en mer resilient dricksvattenproduktion och distribution, där operatörer på vattenreningsverk stöds i sina beslutsprocesser.

2023-2024 Förarens förmåga att förstå den aktuella trafiksituationen och förutse framtida manövrar från andra trafikdeltagare är centrala för trafiksäkerheten. Hur kan vi utveckla bilförarens uppfattningar av olika trafiksituationer genom information via ett säkerhetssystem i våra bilar? Finns det skillnader mellan hur kvinnor och män eller människor i olika ålder agerar i olika trafiksituationer?

2018-2021 Projektet använder maskininlärning för att lösa några av de utmaningar stålindustrin står inför. Unika produktionsanalyser, som bygger på AI-tekniker, används för att genom algoritmer hitta hittills okända samband. Därigenom kan produktionsprocesser förbättras på ett helt nytt sätt. Stålindustrin använder sedan länge omfattande processmätning, men i detta projekt handlar det om vad algoritmer kan hitta i en sammansättning av all tillgänglig processdata.

2019-2022 Projektet kommer att studera designelement i framtida luftsystem som erbjuder kognitivt stöd för ökad teameffektivitet.