Opis projektu
Ulepszone grafy wiedzy kluczem do bardziej efektywnego zarządzania danymi sztucznej inteligencji
Wyjaśnialna sztuczna inteligencja to zestaw narzędzi i procesów, które pozwalają ludziom zrozumieć i zinterpretować prognozy tworzone przez modele uczenia maszynowego. Grafy wiedzy, wraz ze sztuczną inteligencją, mogą poprawić dokładność i wiarygodność wyników takich modeli. Problem stanowi jednak fakt, że obecne grafy wiedzy mają ograniczoną zdolność do mapowania złożonych, wzajemnie powiązanych danych w skali. W związku z tym, opierając się na ostatnich postępach w dziedzinie reprezentacji wiedzy i sztucznej inteligencji, zespół finansowanego przez UE projektu ENEXA opracuje skalowalne, przejrzyste i wyjaśnialne algorytmy uczenia maszynowego na potrzeby ulepszonych grafów wiedzy. Położy on szczególny nacisk na opracowanie skoncentrowanych na człowieku technik wyjaśnialności opartych na współtworzeniu, w których ludzie i maszyny inicjują rozmowę w celu wspólnego stworzenia zrozumiałych dla człowieka wyjaśnień. Aby zwalidować proponowane podejście, badacze przeanalizują trzy przypadki użycia: usługi związane z oprogramowaniem biznesowym, dane geoprzestrzenne i komunikację marki opartą na danych.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-RIA - HORIZON Research and Innovation ActionsKoordynator
33098 Paderborn
Niemcy