Bild: AdobeStock
Forskargrupp Vi utvecklar avancerade algoritmer och modeller för att hitta avvikelser, mönster och kausalitet. Detta gör att vi kan förutsäga resultat och underlätta beslutsfattande även i mycket stora och komplexa datamängder.
Forskargruppen Causal Intelligence and Deep Data Mining inrättades för att utveckla algoritmer och implementera prototyp för heterogen informationsförening med flera källor och integritetsskydd för multimodal data. Våra forskningsintressen inkluderar datafederation och integritetsskydd genom att tillämpa tekniker för textbrytning, bearbetning av naturligt språk, maskininlärning och semantisk webb.
När det gäller datatyper som ska integreras betraktar vi data från strukturerade källor, (t ex poster i DB), halvstrukturerade källor, (t ex XML och JSON) samt ostrukturerade källor (t ex nyheter och sociala medier). I en bred uppfattning om kärnteknikerna tillämpar vår grupp teknik för databas, datamining, bearbetning av naturligt språk, maskininlärning och ontologi baserad på semantisk webbteknologi.
Som applikationsdriven forskning syftar vi till att realisera ett generellt ramverk för dataintegration i syfte att anpassa flera applikationer (informationssökning, rekommendationssystem, onlineannonser m fl) och under tiden förvärva domändatas unika egenskaper för att öka integrationsnoggrannheten och AI-trovärdighet på specialiserade domäner (t.ex. sjukvård, robotik, sociala nätverk, demografiska och granskningsdata).
Ett tvärvetenskapligt samarbete har undersökt användningen av AI-baserade interaktiva system i polisyrket.
Forskare och experter samlas vid Nobel Week Dialogue – i år med temat artificiell intelligens.
Hur får vi nytta av känsliga uppgifter utan att riskera att avslöja mer information än nödvändigt?
