Hoppa till innehållet
Forskning Artikel EISLAB Machine learning group LTU
Visa originalbild , Öppnas i nytt fönster/flik

Vår forskning

Publicerad: 1 oktober 2018

Vi forskar inom olika områden av maskinlärning och artificiell intelligens, inklusive djupinlärning, mönsterigenkänning och mänsklig datorinteraktion. Våra forskningsansökningar rör ämnen såsom digital humaniora, utbildning, dokumentanalys och Industri 4.0.

Natural Language Processing (NLP)

Vårt nuvarande arbete fokuserar på olika maskininlärningsmetoder för NLP-uppgifter. I en ny workshop har vi insåg en erkännande pipeline för den ambitiösa uppgiften att avsiktsklassificera lite data där vi överträffade

Valda projekt där vår grupp eller enskilda medlemmar i gruppen är involverade i:

Pågående projekt

 

AIDIH (Jan. 2020 - Feb. 2023)

Projektet Applied AI DIH North syftar till att skapa ett starkt innovationssystem för tillväxt inom AI-branschen, en Digital Innovation Hub som bas, i samarbete, forskning, innovation, tillämpad testdriven utveckling, utbildning och kluster. Projektet pågår i tre år och finansieras av EU:s regionala utvecklingsfond (Tillväxtverket), Luleå tekniska universitet, Luleå kommun, Skellefteå kommun, och Region Norrbotten.

Finansieringspartner:
- Europeiska regionala utvecklingsfonden
- Luleå tekniska universitet
- Luleå kommun
- Skellefteå kommun
- Område Norrbotten

Enabling Deep DIA (Jan. 2020 - Dec. 2023)

Vi skapar den saknade biten för att i grunden förbättra automatiserade system för dokumentbildanalys (DIA): Ett ramverk för att skapa databaser för DIA; och en enorm databas med dokumentbilder för historiska DIA. Metoder för djupinlärning har stört områdena datorseende, mönsterigenkänning och artificiell Intelligens i allmänhet. Men trots att djupinlärning är det senaste inom de flesta DIA-uppgifter, är deras prestanda är fortfarande för låg för att vara användbar i praktiken, särskilt för domäner där inte många texter är tillgängliga. Detta beror främst på frånvaron av stora databaser för att träna djupa system. I det första steget konceptualiserar och implementerar vi ett konfigurerbart ramverk för dokumentgenerering, dvs anpassningsbar för olika domäner. Metoderna för EnDeepDIA kommer att baseras på generering av logisk dokumentlayout, matematiska modeller för dokumentdeformation och nya maskininlärningsalgoritmer för generering av dokument. För att demonstrera genomförbarheten av EnDeepDIA-ramverket genererar vi en massiv offentlig databas med historiska strukturerade dokument (inriktade på miljontals märkta bilder), inklusive demografiska och ekonomiska rapporterar. Som sådan förbättrar EnDeepDIA möjligheterna för djupinlärning för DIA och tillhandahåller tjänster med öppen åtkomst för digitala humaniora. Vi kommer att demonstrera förmågan att bryta ny mark inom syntetisk databasgenerering för läsningssystem och relaterade områden för mönsterigenkänning där få utbildningsdokument är tillgängliga.

Språkmodeller för svenska myndigheter (nov. 2019 - oktober 2022)

Detta projekt utvecklar toppmoderna svenska språkmodeller och tillämpar dem på ett antal NLP-uppgifter som är relevanta för svenska myndigheter. Detta projekt ger verktyg och förutsättningar för svenska myndigheter att bygga och integrera toppmoderna NLP-lösningar i sina nuvarande och framtida tjänster. Utvecklingen av toppmoderna svenska språkmodeller, och tekniker för att använda dem, kommer att möjliggöra nya typer av NLP-tillämpningar som har potential att revolutionera användningen av NLP i den svenska offentliga sektorn.

Finansieringspartner:
- Vinnova

Nationellt Rymddatalabb (juni 2019 - augusti 2021)

Nationellt Rymddatalabb kommer att vara ett nationellt kunskaps- och datahub för svenska myndigheters arbete med jordobservationsdata och för utveckling av AI-baserad analys av data, genererade i rymdsystem. Syftet med projektet är att öka användningen av data från rymden för att utveckla samhället och industrin och till fördel för världen.

Vår roll:
- Ge avancerade bildbehandlingsmetoder anpassade efter pilotprojekten
- Pilotprojekt inkluderar klimatanpassning samt tillämpningar av jordobservationsdata i skogsbruk, fiske och jordbruk
- Organisera hackathons och användarverkstäder

partners:
- Rymdverket
- AI INNOVATION of Sweden
- RISE
- Luleå tekniska universitet

 

Luleå tekniska universitet

Nationellt Rymddatalabb 2.0 (feb. 2021 - nov. 2021)

Swedish Space Data Lab startades 2019 som ett samarbetsprojekt mellan AI Sweden, Rymdstyrelsen, RISE Research Institute of Sweden och Luleå tekniska universitet. Rymddata används inom ett brett spektrum av områden. Det är oumbärligt för bland annat väderprognoser och övervakning av klimatet, men det är också oerhört viktigt för skogsbruk, jordbruk och andra områden där det behövs aktuell information om växtlighet och markytan. Swedish Space Data Lab är tänkt att vara ett nationellt innovationsnav för svenska myndigheter som använder jordobservationsdata, och för utveckling av AI-baserad analys av data. Syftet med labbet är att möjliggöra en ökad användning av data från rymden för samhällsutvecklingen till nytta för världen. Målet är att få data, teknologi och metodik på plats för att möjliggöra systematisk utveckling av rymddatabaserade tjänster och applikationer. National Space Data Lab 2.0 bygger på erfarenheterna från National Space Data Lab. I detta uppföljningsprojekt vill vi utöka vårt jordobservationsarbete med artificiell intelligens, kommenterad data, "edge learning" och affärsmöjligheter. Vi fortsätter även anordnandet av hackathons och utvecklarevenemang utifrån de modeller vi utvecklar och tränar. Dessutom kommer vi att arbeta mer med ekosystemet kring National Space Data Lab och identifiera möjligheterna för kommersialisering av kunskap som finns.

Finansieringspartner:
- Vinnova

MetMaskin: Kontroll av metallurgiska processer med indirekta mätningar och maskininlärning (Nov. 2018 - Okt. 2022) 

I detta projekt optimerar vi ståltillverkningsprocessstegen genom att förutsäga omrörningsintensitet, vilket förväntas ge en effektivare stålproduktion som sker i tid och med minskad energiförbrukning. Förutsägelse av omrörningsintensitet i metallurgiska processer realiseras genom att kombinera användningen av mätteknik och maskininlärning. Bättre processkontroll förväntas optimera den tid som spenderas i processsteg såsom hällning och kolkontroll i omvandlare.

Finansieringspartner: 
- Vinnova

KnowIT FAST – Kunskapsintegrering för klassificering av maskinskador​ (Sep. 2019 - Sep. 2022)

Skador på pappersmaskiner måste förutses och kan förebyggas med artificiell intelligens. Genom att integrera metoder för sensordataanalys med språkteknologi för att analysera skriftliga bedömningar av maskinskador kommer rutinsysslor att automatiseras, för att möjliggöra ett ökat fokus på proaktivt underhåll och för att underlätta utbildning av personal. Det är målet för projektet KnowIT FAST, som koordineras av Luleå tekniska universitet.

Finansieringspartner: 
- PiiA/Vinnova

Ml-Dev (Jan. 2021 - Dec. 2021)

Arbetsmiljön 'ML-Dev' i ML Group möjliggör vetenskap i världsklass och därmed har ett starkt inflytande på maskininlärning i samhället för samhällets välfärd. Detta projekt skapar en miljö för forskare som möjliggör omedelbart inträde i djupgående forskningsfrågor genom effektiv
processer, strukturer och kunskapsöverföring. På grund av arbetsmiljöns attraktionskraft, nya forskare och över hela världen samarbeten förs in i gruppen.

AutoDC: Autonoma datacenter för långsiktig driftsättning (oktober 2018 - oktober 2021)

Med tillväxten på datacentermarknaden som förväntas fortsätta kommer kostnaderna för att driva och underhålla datacentrets fotavtryck att öka. Syftet med AutoDC är att tillhandahålla ett innovativt designramverk för autonoma datacenter för att möjliggöra pågående drift och självläkning oberoende av kontextuella störningar, t.ex. intermittent strömavbrott eller överhettning, utan behov av mänskligt ingripande. På grund av lägre underhålls- och driftskostnader kan autonoma datacenter bli viktiga möjliggörare för marknader i utvecklingsländer.

Finansieringspartner: 
- ITEA3

ChatPal

Nuvarande tillhandahållande av tjänster inom mentalhälsa i norra Sverige kan inte möta den ökande efterfrågan på att förebygga och hantera psykisk ohälsa. Det saknas digitalt stöd för mental hälsa för att spåra symtom och för att tillhandahålla behandlingar och hanteringsstrategier vid behov 24/7. Traditionella en-till-en mentalhälsotjänster som stödjer personer med kronisk psykisk sjukdom samt mild till måttlig psykisk sjukdom är dyra och resurskrävande. En-till-en interventionstöd kräver betydande resor för kunder som bor på landsbygden; därför är tillgängligheten till traditionella behandlingar ett särskilt problem. Med tanke på mental ohälsa förblir en
stigma, medborgare känner sig ofta generade när de ställer möten med en stödperson. Psykisk ohälsa kan emellertid, särskilt när den inte behandlas, minska människors funktionella kapacitet och skapa hinder för deltagande. Därför är vårt mål att använda redan befintliga och förfinade metoder för att utveckla nya konversationsagenter (både text- och talbaserade) användare kan kommunicera med utan risken för att bli stigmatiserade och som kan ge stöd samt rudimentär bedömning av emotionell och mental brunn -varelse.

 

Färdiga

HisDoc III

I HisDoc III inriktar vi oss på historisk dokumentklassificering för stora mängder okategoriserade faksimiler med avsikten att tillhandahålla nya möjligheter för forskare inom digital humaniora. Vi kommer särskilt att ta upp uppgiften att kategorisera dokumentbilder med avseende på innehåll, språk, manus och layout. För att göra det kommer vi att utnyttja expertis från våra tidigare projekt HisDoc och HisDoc 2.01. I HisDoc har vi visat att historisk Document Image Analysis (Dia) effektivt kan användas för att extrahera layoutstrukturer och texttranskriptioner och i det nuvarande HisDoc 2.0-projektet hämtade vi framgångsrikt ytterligare paleografisk information. De nya bidragen från HisDoc III kommer att kompletteras med dessa metoder för att klara stora dokumentsamlingar.

iMusciCA

iMuSciCA är ett banbrytande tillvägagångssätt som använder musik för att främja kreativitet och djupare lärande. DIVA-gruppen introducerar penn- och gestbaserad interaktion för samskapande av musik och ljudanalys.

LTU-ServiceDesk-Chatbot

Ett samarbetsprojekt med LTU Service Desk med syfte att bygga en chatbot för att underlätta tillhandahållandet av lösningar för studenter/personal vid universitetet baserat på deras förfrågningar som för närvarande hanteras av universitetets ServiceDesk. Chatboten kommer automatiskt att hantera förfrågningarna och omdirigera LTU-användare till möjliga lösningar genom textkonversationer genom att använda ett webbgränssnitt i webbläsaren.

Partners:
- LTU Service Desk

SUN FLA: Fusing Machine Learning and Computer Vision Techniques for Automatic Drill Core Analysis on Visual and Compositional Data - ML4DrillCore (feb. 2021 - nov. 2021)

Kvantitativa och kvalitativa geologiska modeller av mineralfyndigheter utgör grunden för gruvdriftens värdekedja, inklusive alla efterföljande beslut om värdering, gruvmetod, processmetod och åtgärder för att lindra miljöpåverkan från gruvdrift. De huvudsakliga indata i sådana modeller härrör från analysen av borrkärnor. På grund av komplexiteten hos geologiska material i kombination med tidsbegränsningar samlas bara en bråkdel av den information som lagras i berget in. Subjektivitet i loggning av texturegenskaper leder dessutom till att resultaten kan skilja sig åt mellan observatörer, vilket inducerar ytterligare komplexitet. Dessa osäkerheter och förvirring påverkar modellernas tillförlitlighet negativt, vilket i sin tur kan ha negativa effekter längre ner i värdekedjan. ML4DrillCore syftar till att förbättra analysen och utvärderingen av borrkärndata med kombinerad användning av djupinlärningstekniker, som till exempel datorseendetekniker på visuell data och standardmetoder för maskininlärning på sammansättningsdata.

Finansieringspartner:
- SUN seed-projekt