Description du projet
L’intelligence collective hybride pour l’aide à la décision dans les diagnostics médicaux et les services climatiques
Le projet HACID, financé par l’UE, développe une intelligence collective hybride basée sur la synergie entre les humains et les machines pour trouver des solutions aux problèmes ouverts du monde réel. Les solutions à ces problèmes ne sont pas limitées à un ensemble restreint d’alternatives, et couvrent de nombreux domaines de connaissances. HACID étudiera une nouvelle approche qui associe des experts humains et une représentation des connaissances assistée par l’IA pour créer de nouveaux outils de prise de décision. Deux études de cas seront envisagées. La première portera sur la fragmentation des connaissances en médecine, afin d’aider les professionnels de la santé à établir des diagnostics plus précis. La seconde apportera un soutien aux décideurs politiques dans la définition de stratégies d’adaptation urbaine destinées à faire face aux impacts futurs du changement climatique.
Objectif
HACID develops a novel hybrid collective intelligence for decision support to professionals facing complex open-ended problems, promoting engagement, fairness and trust. A decision support system (HACID-DSS) is proposed that is based on structured domain knowledge, semi-automatically assembled in a domain knowledge graph (DKG) from available data sources, such as scientific and gray literature. Given a specific case within the addressed domain, a pool of experts is consulted to (i) extract supporting evidence and enrich it, generating a case knowledge graph (CKG) as a subset of the DKG, and (ii) provide one or more solutions to the problem. Exploiting the CKG, the HACID-DSS gathers the expert advice in a collective solution that aggregates the individual opinions and expands them with machine-generated suggestions. In this way, HACID harnesses the wisdom of the crowd in open-ended problems, relying on a traceable process based on supporting evidence for better explainability. A set of evaluation methods is proposed to deal with domains where ground truth is not available, demonstrating the suitability of the proposed approach in a wide range of application domains. Demonstrations are provided in two compelling case studies contributing to the UN Sustainable Development Goals: crowd-sourcing medical diagnostics and climate services for urban adaptation.
Champ scientifique
Programme(s)
Régime de financement
HORIZON-IA - HORIZON Innovation ActionsCoordinateur
00185 Roma
Italie