Descrizione del progetto
Migliorare l’intelligenza artificiale per prevedere la comparsa di eventi complessi
Numerose applicazioni si basano sull’IA per gestire i flussi di informazione in costante evoluzione. Il progetto EVENFLOW, finanziato dall’UE, svilupperà tecniche di apprendimento ibrido per la previsione di eventi mutevoli complessi. Il progetto si avvarrà sia di tecniche di apprendimento della rappresentazione neurale, in grado di creare funzioni basate su eventi da flussi di dati a livello di percezione, sia di strumenti di apprendimento simbolico e di ragionamento. Nel corso del tempo, il carattere online dei metodi di apprendimento permetterà loro di utilizzare la ricca conoscenza del dominio che sta progressivamente diventando disponibile. EVENFLOW sarà oggetto di studio in tre casi: la previsione oncologica nella medicina di precisione, il comportamento sicuro ed efficiente dei robot di trasporto autonomo nelle industrie intelligenti e la valutazione affidabile del ciclo di vita di infrastrutture critiche.
Obiettivo
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.
Campo scientifico
Parole chiave
Programma(i)
Meccanismo di finanziamento
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinatore
1050 Bruxelles / Brussel
Belgio