Opis projektu
Systemy decyzyjne oparte na sztucznej inteligencji dla krytycznych operacji
Sztuczna inteligencja może okazać się cennym sprzymierzeńcem w zarządzaniu kluczowymi systemami, które tradycyjnie znajdowały się pod kontrolą ludzi. Zespół finansowanego ze środków Unii Europejskiej projektu AI4REALNET opracuje metody umożliwiające zwiększanie wiarygodności i zaufania względem systemów sterowania wspomaganych przez sztuczną inteligencję, obejmujące rozszerzone techniki poznawcze, hybrydowy trening człowieka i sztucznej inteligencji oraz samodzielne modele SI. Jednocześnie zespół skupi się na niezawodności, bezpieczeństwie i ochronie infrastruktury krytycznej. Projekt przyspieszy również rozwój i testowanie nowych algorytmów SI przez konsorcjum i społeczność ekspertów pracujących nad tymi rozwiązaniami. Będzie to możliwe dzięki wykorzystaniu przyjaznych dla sztucznej inteligencji środowisk cyfrowych opartych na otwartoźródłowych rozwiązaniach, które umożliwiają symulację realistycznych scenariuszy działania systemów fizycznych i decyzji podejmowanych przez ludzi. Zespół projektu AI4REALNET przyczyni się także do realizacji działań związanych z dekarbonizacją, cyfryzacją oraz zwiększaniem odporności.
Cel
The scope of AI4REALNET covers the perspective of AI-based solutions addressing critical systems (electricity, railway, and air traffic management) modelled by networks that can be simulated, and are traditionally operated by humans, and where AI systems complement and augment human abilities. It has two main strategic goals: 1) to develop the next generation of decision-making methods powered by supervised and reinforcement learning, which aim at trustworthiness in AI-assisted human control with augmented cognition, hybrid human-AI co-learning and autonomous AI, with the resilience, safety, and security of critical infrastructures as core requirements, and 2) to boost the development and validation of novel AI algorithms, by the consortium and AI community, through existing open-source digital environments capable of emulating realistic scenarios of physical systems operation and human decision-making.
The core elements are: a) AI algorithms mainly composed by supervised and reinforcement learning, unifying the benefits of existing heuristics, physical modelling of these complex systems and learning methods, as well as, a set of complementary techniques to enhance transparency, safety, explainability and human acceptance; b) human-in-the-loop decision making for co-learning between AI and humans, considering integration of model uncertainty, human cognitive load and trust; c) autonomous AI systems relying on human supervision, embedded with human domain knowledge and safety rules.
The AI4REALNET framework will be validated in 6 uses cases driven by industry requirements, across 3 network infrastructures with common properties. The use cases are focused on critical challenges and tasks of network operators, considering strategic long-term goals, such as decarbonisation, digitalisation, and resilience to disturbances, and are formulated in a unified sequential decision problem where many AI and non-AI algorithms can be applied and benchmarked.
Dziedzina nauki
- natural sciencescomputer and information sciencesartificial intelligencemachine learningreinforcement learning
- engineering and technologycivil engineeringtransportation engineering
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectrical engineeringpower engineering
- social sciencessocial geographytransporttransport planningair traffic management
- natural sciencescomputer and information sciencesartificial intelligenceheuristic programming
Słowa kluczowe
Program(-y)
Temat(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-RIA - HORIZON Research and Innovation ActionsKoordynator
4200 465 Porto
Portugalia