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

ODD-ML: Out-of-Distribution Deployable Machine Learning

Opis projektu

Inne spojrzenie na sposób, w jaki sztuczna inteligencja dostosowuje się do rzeczywistego świata

Uczenie maszynowe jest stosowane we wszystkich dziedzinach, od diagnostyki medycznej po modele klimatyczne. Jednak przeniesienie koncepcji z laboratorium do świata rzeczywistego nie jest łatwe. Zmiany danych, nieprzewidziane warunki i złożoność ludzka mogą stanowić wyzwanie nawet w przypadku najlepszych algorytmów. Finansowany przez ERBN projekt ODD-ML przewiduje rozwiązanie tego problemu poprzez umieszczenie ludzi z powrotem w centrum uczenia maszynowego. Zamiast polegać wyłącznie na danych z przeszłości, zespół ODD-ML zaprojektuje systemy SI, które aktywnie uczą się od ludzkich ekspertów. Maszyny będą rejestrować ludzką intuicję, doświadczenie, a nawet uprzedzenia. Łącząc ludzki wgląd i rozumowanie maszyn, projekt zakłada stworzenie sztucznej inteligencji, która inteligentniej będzie dostosowywać się do nowych sytuacji, zwiększając zaufanie, niezawodność i wpływ na rzeczywistość.

Cel

ODD-ML addresses the open secret of machine learning (ML), which is that model deployment often fails. The problem arises because deployment contexts may differ from the data used to train ML models in unexpected ways. In an increasingly data-driven era, this severely impedes progress in ML-powered R&D and our ability to tackle societal grand challenges with existing ML tools.

To solve this pervasive issue, I propose a radical alternative to current ML approaches, placing human experts at the core of iterative design-build-test-learn (DBTL) loops. My approach comprises the interlinked steps of re-conceptualizing the deployment issue as a need for active learning from domain experts and other indirect sources and, to succeed here, recognizing the imperfect and often tacit knowledge and limited time of human experts, designing ML systems that can rapidly reverse-engineer expert knowledge.

I will achieve this with a combination of ideas transformative for human-AI collaboration: human inductive biases will be inferred from computational-rationality-based cognitive models, amortized on pre-computed solutions for speed, allowing interactive online use. I envision widespread impact in ML, on complex decision-making, and broadly across R&D domains.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

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

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

AALTO KORKEAKOULUSAATIO SR
Wkład UE netto
€ 2 495 282,00
Koszt całkowity
Brak danych

Beneficjenci (1)