Projektbeschreibung
KI zur Vorhersage komplexer Ereignisse verbessern
Viele Anwendungen stützen sich auf künstliche Intelligenz (KI), um die sich ständig weiterentwickelnden Informationsströme zu bewältigen. Das EU-finanzierte Projekt EVENFLOW wird hybride Lernverfahren für die Vorhersage komplexer, sich ändernder Ereignisse entwickeln. Im Rahmen des Projekts werden sowohl neuronale Repräsentationslernverfahren, die in der Lage sind, ereignisbasierte Merkmale aus Datenströmen auf Wahrnehmungsebene zu konstruieren, als auch symbolische Lern- und Schlussfolgerungswerkzeuge eingesetzt. Der Online-Charakter der Lernmethoden wird ihnen dazu verhelfen, reichhaltiges Fachwissen zu nutzen, das im Laufe der Zeit nach und nach verfügbar wird. EVENFLOW wird anhand von drei Fallbeispielen getestet: onkologische Prognosen in der Präzisionsmedizin, sicheres und effizientes Verhalten von autonomen Transportrobotern in intelligenten Fabriken und zuverlässige Lebenszyklusbewertung kritischer Infrastrukturen.
Ziel
A growing number of applications rely on AI-based solutions to carry-out mission-critical tasks, many of which are of temporal nature, dealing with ever-evolving flows of information. Crucial for mitigating threats and taking advantage of opportunities in such domains, is the ability to forecast imminent situations and critical complex events ahead of time. EVENFLOW will develop hybrid learning techniques for complex event forecasting, which combine deep learning with logic-based learning and reasoning into neuro-symbolic forecasting models. The envisioned methods will combine (i) neural representation learning techniques, capable of constructing event-based features from streams of perception-level data with (ii) powerful symbolic learning and reasoning tools, that utilize such features to synthesize high-level, interpretable patterns of critical situations to be forecast. Crucial in the EVENFLOW approach is the online nature of the learning methods, which makes them applicable to evolving data flows and allows to utilize rich domain knowledge that is becoming available progressively, over time. To deal with the brittleness of neural predictors and the high volume/velocity of temporal data flows, the EVENFLOW techniques will rely on novel, formal verification techniques for machine learning, in addition to a suite of scalability algorithms for federated training and incremental model construction. The learnt forecasters will be interpretable and scalable, allowing for fully explainable insights, delivered in a timely fashion and enabling proactive decision making. EVENFLOW will be evaluated on three challenging use cases related to oncological forecasting in precision medicine, safe and efficient behavior of autonomous transportation robots in smart factories and reliable life cycle assessment of critical infrastructure.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-RIA - HORIZON Research and Innovation ActionsKoordinator
1050 Bruxelles / Brussel
Belgien