AMaLIA-2019-JYU (AMaLIA)
Päärahoittaja
Rahoittajan antama koodi/diaarinumero: 3736/31/2019
Päärahoittajan myöntämä tuki (€)
- 108 000,00
Rahoitusohjelma
Hankkeen aikataulu
Hankkeen aloituspäivämäärä: 01.08.2019
Hankkeen päättymispäivämäärä: 30.09.2020
Tiivistelmä
Edistynyttä tekoälyä teollisiin tarkoituksiin (AMaLIA) koostuu viidestä työpaketista sisältäen NSF
CVDI ohjausryhmän hyväksymät Suomen toimipisteen NSF-BF-CVDI-projektit vuodelle 2019-2020.
AMaLIAn päätavoitteena on kehittää edistyneitä tekoäly- ja koneoppimistekniikoita ja käyttää niitä
merkityksellisiin, ajankohtaisiin ja vaikutuksellisiin teollisiin sovelluksiin, jotka kiinnostavat
ohjausryhmää ja heidän edustamaansa teollisuutta. Projekti on jaettu viiteen työpakettiin (WP).
WP1 käsittelee reaaliaikaista datankeräystä ja luokittelua edge-laitteissa huomioiden
energiatehokkuuden ja yksityisyydensuojan. Projektin tavoitteena on mahdollistaa edge-laitteissa
tapahtuva visuaalisen tietovirran analyysi kehitettävien uusien keveiden hajautettujen prosessointi-,
datankeräys-, analysointi- ja visualisointitekniikoiden avulla. WP2 kehittää reaaliaikaista
terveysmonitorointijärjestelmää, joka huomioi energiatehokkuuden ja yksityisyydensuojan.
Tavoitteena on suunnitella kehonmittaussensorien verkko (body sensor network, BSN), joka
samanaikaisesti yhdistää monia mittauksia pakatussa muodossa ja suojaa yksityisyyttä
energiatehokkaasti. WP3 käsittelee kehittyneitä koneoppimismenetelmiä poikkeamien
havaitsemiseen. Työpaketin tavoitteena on kehittää uusia menetelmiä, jotka hyödyntävät
autoencodereita ja variaationaalisia autoencodereita tietyn tyyppisten poikkeamien havaitsemiseen.
WP4 pyrkii edistämään koneoppimista kehittämällä itseoppivia ja puolivalvottuja
oppimismenetelmiä ja hyödyntämään kiinnostavissa sovelluksissa. WP5 on toinen vaihe
projektissa, joka käsittelee täysin automatisoitua sydänlihaksen infarktien havaitsemista
kaikukuvauksen avulla. WP8 todentaa ja tuottaa toimivan prototyypin, jossa hyödynetään tekoälyä
ja koneoppimista kognitiivisesti virikkeellisten tilojen suunnittelussa ja liiketoiminnan strategisessa
kehittämisessä. Työpaketissa on sovelletaan kahta hyvin erityyppistä data-aineistoa ja kyetään
luomaan malleja, joita koneoppimisessa voidaan hyödyntää.
CVDI ohjausryhmän hyväksymät Suomen toimipisteen NSF-BF-CVDI-projektit vuodelle 2019-2020.
AMaLIAn päätavoitteena on kehittää edistyneitä tekoäly- ja koneoppimistekniikoita ja käyttää niitä
merkityksellisiin, ajankohtaisiin ja vaikutuksellisiin teollisiin sovelluksiin, jotka kiinnostavat
ohjausryhmää ja heidän edustamaansa teollisuutta. Projekti on jaettu viiteen työpakettiin (WP).
WP1 käsittelee reaaliaikaista datankeräystä ja luokittelua edge-laitteissa huomioiden
energiatehokkuuden ja yksityisyydensuojan. Projektin tavoitteena on mahdollistaa edge-laitteissa
tapahtuva visuaalisen tietovirran analyysi kehitettävien uusien keveiden hajautettujen prosessointi-,
datankeräys-, analysointi- ja visualisointitekniikoiden avulla. WP2 kehittää reaaliaikaista
terveysmonitorointijärjestelmää, joka huomioi energiatehokkuuden ja yksityisyydensuojan.
Tavoitteena on suunnitella kehonmittaussensorien verkko (body sensor network, BSN), joka
samanaikaisesti yhdistää monia mittauksia pakatussa muodossa ja suojaa yksityisyyttä
energiatehokkaasti. WP3 käsittelee kehittyneitä koneoppimismenetelmiä poikkeamien
havaitsemiseen. Työpaketin tavoitteena on kehittää uusia menetelmiä, jotka hyödyntävät
autoencodereita ja variaationaalisia autoencodereita tietyn tyyppisten poikkeamien havaitsemiseen.
WP4 pyrkii edistämään koneoppimista kehittämällä itseoppivia ja puolivalvottuja
oppimismenetelmiä ja hyödyntämään kiinnostavissa sovelluksissa. WP5 on toinen vaihe
projektissa, joka käsittelee täysin automatisoitua sydänlihaksen infarktien havaitsemista
kaikukuvauksen avulla. WP8 todentaa ja tuottaa toimivan prototyypin, jossa hyödynetään tekoälyä
ja koneoppimista kognitiivisesti virikkeellisten tilojen suunnittelussa ja liiketoiminnan strategisessa
kehittämisessä. Työpaketissa on sovelletaan kahta hyvin erityyppistä data-aineistoa ja kyetään
luomaan malleja, joita koneoppimisessa voidaan hyödyntää.
