Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Causal Argumentative Learning Assistant

Opis projektu

Inteligentniejsza, przejrzysta i godna zaufania SI

W świecie SI niezwykle ważne jest rozumienie związków przyczynowo-skutkowych, zwłaszcza w dziedzinach takich jak opieka zdrowotna i finanse, gdzie decyzje mają wpływ na życie ludzi i gospodarkę. Obecne modele SI często nie są przejrzyste, co utrudnia ekspertom weryfikację lub kwestionowanie ustaleń dokonywanych przy ich pomocy. Aby temu zaradzić, finansowany przez ERBN projekt CArLA ma na celu zrewolucjonizowanie odkrywania związków przyczynowo-skutkowych na podstawie danych. Bazująca na solidnych metodologiach i zasadach wyjaśnialnej sztucznej inteligencji (XAI) opracowanych w projekcie ERBN ADIX platforma CArLA sprawi, że odkrywanie związków przyczynowo-skutkowych będzie bardziej przejrzyste, interaktywne i kontestowalne. W ramach projektu powstaną systemy demonstracyjne w dziedzinie opieki zdrowotnej i finansów, umożliwiające ekspertom wpływanie i weryfikowanie spostrzeżeń generowanych przez SI, wspierając w ten sposób bardziej godne zaufania, dostosowane do potrzeb człowieka podejście do podejmowania ważnych decyzji.

Cel

Causal AI is widely perceived as crucial in the current AI landscape as it allows capturing causal effects amongst features in data, rather than simple correlations. Causal discovery is an important aspect of machine learning as it paves the way towards achieving Causal AI. It amounts to extracting causal graphs from data, encoding the structure of causal relations amongst features in data. There is a gap in the state-of-the-art in AI as concerns causal discovery, in that most approaches are black-boxes, hard to understand and explain, and unable to engage domain experts to integrate and possibly contest the learnt graphs when they are misaligned with human knowledge and values. CArLA aims at developing a platform for transparent, explainable, interactive and contestable causal discovery, based upon an existing principled methodology and prototype, as well as XAI techniques, developed within the ERC Advanced ADIX project. CArLA’s platform will support understanding the causal discovery process from data and experts while being able to influence it. Any developer or user of applications in high-stakes domains will benefit from using this uniquely trustworthy platform. CArLA aims to develop two demonstrators of the beneficial use of the platform in the high-stakes domains of healthcare and finance, to pave the way to commercialisation with a spinout.

Dziedzina nauki (EuroSciVoc)

Projekt nie został jeszcze sklasyfikowany według klasyfikacji EuroSciVoc.
Wskaż dziedziny nauki, które twoim zdaniem są najbardziej istotne z punktu widzenia tego projektu i pomóż nam usprawnić naszą usługę klasyfikacji.

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC-POC - HORIZON ERC Proof of Concept Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2024-POC

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
Wkład UE netto
€ 150 000,00
Adres
SOUTH KENSINGTON CAMPUS EXHIBITION ROAD
SW7 2AZ London
Zjednoczone Królestwo
Region
London Inner London — West Westminster
Rodzaj działalności
Higher or Secondary Education Establishments
Linki
Koszt całkowity
Brak danych

Beneficjenci (1)