AI-forskning

Hur arbetar vi med AI-forskning? Centrum för tillämpad AI vid RISE driver forskningen framåt och säkerställer vetenskaplig spets i ett utvalt antal forskningsriktningar.

Mitt i en av Sveriges största forskningsorganisationer samordnar centret tillämpad AI-forskning med tillämpningar inom många forskningsområden. Vi samarbetar med partners på nationell och internationell nivå och är fast beslutna att ta itu med de mest angelägna samtida utmaningarna genom våra forskningsinsatser.

Målet är att bidra till den internationella kunskapsutvecklingen och forskningsfronten inom AI. Vi gör det genom vetenskapliga publikationer, forskarutbildning och erbjudanden om undervisning. Verksamheten är en viktig del i att säkerställa vår kompetens på internationell topp-nivå.

Vi arbetar huvudsakligen med sex fokuserade forskningsområden:

Djup maskininlärning är det område där man studerar grunderna för modern maskininlärning, en teknik som har möjliggjort de senaste genombrotten som generativ AI inklusive diffusionsmodeller och konversationssystem. I vår forskning fokuserar vi på aspekter som integritet, effektivitet och hållbarhet. Vi utvecklar avancerade djupinlärningsmodeller för tillämpningar inom miljöforskning, energisektorn, processindustrin och den offentliga sektorn, mm.
Inom Naturligt språk tittar vi vidare på aspekter av de senaste teknikerna för maskininlärning och hur de tillämpas på språkdomänen. Detta inkluderar beräkningseffektivitet för stora språkmodeller (LLM), och hur denna typ av modeller kan användas för studier av biverkningar av läkemedel.
Inom Datorseende utvecklar vi lösningar där data är strukturerade som bilder. Detta inkluderar (men är inte begränsat till) kameraingångar från handhållna enheter eller autonoma agenter, satellitbilder, infraröda kameror och andra rumsliga sensorer. Tillämpningarna omfattar modellering och prognostisering av vattenflöden, uppskattning av våtmarker med hjälp av fjärranalys och uppskattning av värdet på begagnade föremål i cirkulära affärsmiljöer.
Inom Avancerad dataanalys studerar vi olika datakällor med hjälp av resonemang, statistik och informationsteori. Vi närmar oss verkliga problem relaterade till avvikelsedetektering, diagnostik och analys inom tillämpningsområden som telekomindustrin och solcellsproduktion.
Inom AI-plattformar och Edge fokuserar vi på infrastrukturen för dagens AI-system. För att uppnå industriell AI krävs en förståelse för infrastrukturen för AI från moln via edge-cloud och inbäddad AI. Vårt arbete fokuserar på energi- och resurseffektivitet för maskininlärning, effektiva datapipelines samt verktyg och tjänster för förbehandling av råa dataset och implementering av AI-drivna lösningar.
Inom AI för vetenskap använder vi AI-verktyg för att stärka och främja vetenskapliga upptäckter. Detta inkluderar maskininlärning för fysiska simuleringar, AI för material och AI för kemi; modellering av kemiska egenskaper hos föreningar och förutsägelse av reaktionsvägar.

Även om fokusområdena lyfter fram särskilda tillvägagångssätt och deras tillämplighet på specifika uppgifter och tillämpningar, drivs vår forskning alltid av tillämpningen och behovet i varje enskilt användningsfall. Lösningarna är ofta hybridlösningar som använder expertis och tekniker från flera fokusområden samtidigt. I vår forskning prioriteras både effekterna från applikationen och de vetenskapliga effekterna lika högt och detta kan ses i våra utställda projekt och vetenskapliga publikationer.

Några case vi jobbat med

Läs mer genom att klicka på +

AI kan skapa en informationsbank om porslinsföremål

Detta projekt kommer att skapa en enkel och användarvänlig tjänst där besökare överallt kan ladda upp bilder av Rörstrands porslinsföremål och få omedelbara svar. Genom avancerad bildanalys, som känner igen mönster och föremål som visat imponerande träffsäkerhet i andra tillämpningar, kommer varje uppladdad bild att öppna en portal till information och insikter om det konstnärliga arvet.
Läs mer

Maskininlärning kan hjälpa kaffebönder att bekämpa sjukdomar

I detta forskningsprojekt har vi utvecklat en effektiv maskininlärningsbaserad lösning för att detektera coffee berry disease (CBD) i bilder av kaffeplantor. Projektet syftar till att tillhandahålla ett billigt, skalbart och korrekt verktyg för bönder att övervaka sina kaffeplantor och vidta lämpliga åtgärder för att förebygga eller behandla CBD.
Läs mer

Modellering av vattenflöden med maskininlärning

Projektet visar potentialen i att använda Machine Learning (ML) för förutsägelse av vattenflödesintensitet, vilket kan ge värdefull information för klimatanpassning och vattenförvaltning.
Läs mer