Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano italiano
CORDIS - Risultati della ricerca dell’UE
CORDIS

Efficient Explainable Learning on Knowledge Graphs

Descrizione del progetto

Grafici della conoscenza migliorati sono fondamentali per lavorare con i dati dell’intelligenza artificiale in modo più efficiente

L’intelligenza artificiale spiegabile è un insieme di strumenti e processi che consentono agli esseri umani di comprendere e interpretare previsioni prodotte da modelli di apprendimento automatico. I grafici della conoscenza, insieme all’intelligenza artificiale, possono migliorare l’accuratezza e l’affidabilità dei risultati dei modelli. Tuttavia, gli attuali grafici della conoscenza sono limitati nella loro capacità di mappare dati complessi e interconnessi su larga scala. Basandosi sui recenti progressi nella rappresentazione della conoscenza e nell’intelligenza artificiale, il progetto ENEXA, finanziato dall’UE, svilupperà algoritmi di apprendimento automatico scalabili, trasparenti e spiegabili per i grafici della conoscenza. L’attenzione si concentrerà sull’ideazione di tecniche di spiegabilità incentrate sull’uomo basate sulla co-costruzione, in cui esseri umani e macchine avviano una conversazione per produrre congiuntamente spiegazioni comprensibili all’uomo. Per convalidare gli approcci proposti, i ricercatori tratteranno tre casi d’uso: servizi software aziendali, intelligenza geospaziale e comunicazioni di marchi basate sui dati.

Obiettivo

Explainable Artificial Intelligence (AI) is key to achieving a human-centred and ethical development of digital and industrial solutions. ENEXA builds upon novel and promising results in knowledge representation and machine learning to develop scalable, transparent and explainable machine learning algorithms for knowledge graphs. The project focuses on knowledge graphs because of their critical role as enabler of new solutions across domains and industries in Europe. Some of the existing machine learning approaches for knowledge graphs are known to already provide guarantees with respect to their completeness and correctness. However, they are still impossible or impractical to deploy on real-world data due to the scale, incompleteness and inconsistency of knowledge graphs in the wild. We devise approaches that maintain formal guarantees pertaining to completeness and correctness while being able to exploit different representations of knowledge graphs in a concurrent fashion. With our new methods, we plan to achieve significant advances in the efficiency and scalability of machine learning, especially on knowledge graphs. A supplementary innovation of ENEXA lies in its approach to explainability. Here, we focus on devising human-centred explainability techniques based on the concept of co-construction, where human and machine enter a conversation to jointly produce human-understandable explanations. Three use cases on business software services, geospatial intelligence and data-driven brand communication have been chosen to apply and validate this new approach. Given their expected growth rates, these sectors will play a major role in future European data value chains.

Campo scientifico (EuroSciVoc)

CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: Il Vocabolario Scientifico Europeo.

È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione

Parole chiave

Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).

Programma(i)

Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.

Argomento(i)

Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.

Meccanismo di finanziamento

Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.

HORIZON-RIA - HORIZON Research and Innovation Actions

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.

(si apre in una nuova finestra) HORIZON-CL4-2021-HUMAN-01

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

UNIVERSITAET PADERBORN
Contributo netto dell'UE

Contributo finanziario netto dell’UE. La somma di denaro che il partecipante riceve, decurtata dal contributo dell’UE alla terza parte collegata. Tiene conto della distribuzione del contributo finanziario dell’UE tra i beneficiari diretti del progetto e altri tipi di partecipanti, come i partecipanti terzi.

€ 1 279 625,00
Indirizzo
WARBURGER STRASSE 100
33098 Paderborn
Germania

Mostra sulla mappa

Regione
Nordrhein-Westfalen Detmold Paderborn
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale

I costi totali sostenuti dall’organizzazione per partecipare al progetto, compresi i costi diretti e indiretti. Questo importo è un sottoinsieme del bilancio complessivo del progetto.

€ 1 279 625,00

Partecipanti (5)

Il mio fascicolo 0 0