Forskningen kring artificiell intelligens inom WASP består av två delar: WASP-AI/MLX, med fokus på maskininlärning och WASP-AI/MATH, som handlar om de matematiska grunderna bakom AI.
Forskningsämnena inom WASP-AI/MLX omfattar maskininlärning, djupinlärning och förklarbar AI (eXplainable AI/XAI). Maskininlärning och djupinlärning är områden inom AI där datorer tränas att förstå och hantera stora mängder data, för att i nästa steg självständigt kunna lösa uppgifter. Användningsområden är exempelvis självkörande bilar, bildigenkänning och sociala medier. Förklarbar AI innebär att de maskininlärningsmodeller som används är baserat på algoritmer där människan kan spåra och förstå bakgrunden till de beslut och förutsägelser som görs av systemet.
De snabba framstegen inom AI och maskininlärning har hittills främst baserats på bästa praxis, medan den bakomliggande matematiska teorin har saknats. Inom WASP-AI/MATH ligger tonvikten på att förstå de matematiska grunderna för AI, med syfte att utveckla och formulera matematiska begrepp och teorem. Att utveckla en stabil teoretisk grund är essentiellt för att kunna förutsäga de alltmer avancerade AI-modellernas hantering av nya data.
Mer information på våra engelska sidor.