Forskningsprojekt AI4Research

Privat och säker AI: Federerad maskininlärning

Andreas Hellander, institutionen för informationsteknologi

Representativa data av god kvalitet är den viktigaste komponenten i maskininlärning. Det finns många dataset som idag inte kommer till användning då det finns utmaningar och risker med att ladda upp data till centrala moln eller superdatorer. Det kan bero på att data är privat, känslig, eller för stor för att flytta. Federerad maskininläring tillhandahåller ett sätt att komma runt detta problem genom att koordinera träning av modellerna direkt på lokala data utan att behöva flytta den. Detta kan möjliggöra vitt skilda tillämpningar så som samarbete mellan olika sjukhus på AI-baserad cancerdiagnostik, integritetsbevarande uppdatering av modeller som används i mobilapplikationer, och prediktivt underhåll av fordon där modeller tränas direkt på fordonen i stora fordonsflottor.

Men det finns utmaningar med federerad maskininlärning. Vi behöver nu hantera ett distribuerat system där vi inte har kontroll över hur träningsdata är distribuerad över olika klienter. Det ställer nya krav på både mjukvaran och algoritmerna om man jämför med traditionell centraliserad ML. Målet med vårt projekt är att studera dessa skillnader och föreslå nya förbättrade algoritmer som kan möjliggöra federerad inlärning för större modeller än vad som är praktiskt idag.

Vad ser du fram emot mest under ditt sabbaticalår?

Att knyta nya kontakter på UU och utforska nya möjliga samarbeten kring integritetsbevarande träning av maskininlärningsmodeller i olika applikationsområden.

AI methods to decipher the patient-specific dynamics of nervous system cancers

Sven Nelander, institutionen för immunologi, genetik och patologi

Under de senaste två decennierna har forskningen kring nya cancerbehandlingar visat blandad framgång. Medan vissa cancerformer kan behandlas med riktade eller immunbaserade behandlingar kvarstår utmaningar för cancersjukdomar i det centrala nervsystemet (CNS). Som ledare för ett team specialiserat på studier av CNS-cancer kommer jag att använda min forskningstid inom AI4research för att utveckla nya metoder för att undersöka hur hjärntumörer förändrar sitt beteende över tid. Ett centralt fokus för projektet kommer att vara att anpassa AI-strategier för att bedöma tumörcellers rörelse genom hjärnvävnad och förutsäga effekten av nya behandlingar, med hjälp av banbrytande mätdata från mitt team.

Vad ser du fram emot mest under ditt sabbaticalår?

Att utveckla handfasta färdigheter inom modellering och interagera med intressanta kollegor.

AI-användning för spektroskopisk karakterisering av svala dvärgstjärnor

Ulrike Heiter, institutionen för fysik och astronomi

Stjärnornas egenskaper är avgörande för strukturen och utvecklingen av galaxer och bildandet och utvecklingen av planetsystem. För att studera galaxer eller extrasolära planeter måste vi alltså kunna karakterisera stjärnor med hög precision. Stjärnegenskaperna inkluderar kvantiteter som yttemperatur, ytgravitation och halter av kemiska grundämnen. Dessa härleds på bästa sätt med hjälp av spektroskopiska observationer från markbaserade teleskop eller från rymden. Stjärnspektra, det vill säga mängden strålning som sänds ut av en stjärna vid dess yta som en funktion av våglängden, beror på ett icke-linjärt sätt på de fysikaliska förhållandena i stjärnatmosfären. Formen på spektrat kan förutsägas genom att lösa ekvationen för strålningstransport genom en modellatmosfär som karakteriseras av en specifik kombination av stjärnegenskaper. De beräknade spektra jämförs sedan med observationerna för att ta reda på stjärnegenskaperna. Maskininlärningsmetoder som använder artificiella neurala nätverk (ANN) lämpar sig väl för en effektiv implementering av den spektroskopiska karakteriseringen av stjärnor. Detta gäller särskilt de storskaliga spektroskopiska stjärnundersökningarna som har gett högkvalitativa spektra för miljontals stjärnor, och stjärnor med låg yttemperatur (från cirka 3000 till 4000 K), så kallade "M-dvärgar", som har mer komplexa spektra än varmare stjärnor.

Detta projekt kommer att fokusera på att undersöka ANN som har använts för spektroskopisk karakterisering av M-dvärgar. Olika typer av indata som används för att träna ANN-modellerna, tillsammans med olika uppsättningar och val av hyperparametrar kommer att utforskas och prestandan av resultat baserade på de olika alternativen kommer att jämföras. Syftet är att tillhandahålla konsoliderade riktlinjer för användningen av AI/ML-metoder för att karakterisera svala dvärgstjärnor (vare sig i egenskap av planetvärdar eller galaktiska byggstenar) vilka möjliggör det bästa valet av indata och uppsättning av ANN. Projektet är nära relaterat till Platoprojektet, ett rymdteleskop som har utvecklats för att upptäcka extrasolära planeter och ska skjutas upp av Europeiska rymdorganisationen ESA år 2026. Bland stjärnorna som Plato ska observera finns flera tusen M-dvärgar.

Vad ser du fram emot mest under ditt sabbaticalår?

Förutom att arbeta med mitt eget projekt ser jag fram emot att diskutera idéer och erfarenheter relaterade till AI-metoder och tillämpningar med de andra deltagarna i AI4Research-projektet.

Accelererad utveckling av nya läkemedel med hjälp av artificiell intelligens

Jens Carlsson, institutionen för cell- och molekylärbiologi

AI4Research-projektet är fokuserat på att utveckla en AI-baserad plattform för datorbaserad design av läkemedel med målet att hitta molekyler som kan användas vid behandling av sjukdomar.

Vad ser du fram emot mest under ditt sabbaticalår?

Jag ser fram emot diskussioner med andra forskare som är intresserade av artificiell intelligens och att initiera nya projekt inom detta område.

Utforska universums mörka sida med maskininlärning vid partikelkollisioner

Rebeca Gonzalez Suarez, institutionen för fysik och astronomi

Målet med detta projekt är att upptäcka ledtrådar till en mörk sektor parallellt med standardmodellen (SM) för partikelfysik som är svagt kopplad till den via det som kallas Higgs-portalen och som potentiellt kan förklara mörk materia (DM). För att uppnå detta kommer jag och mitt team att utveckla maskininlärningstekniker (ML) som kan användas i LHC-data och därefter.

Vad ser du fram emot mest under ditt sabbaticalår?

Jag ser fram emot sabbaticalåret inom AI4Research av två skäl: för att få tid att fokusera på maskininlärningsaspekterna av min nuvarande forskning, som ibland får stå tillbaka för andra områden, och för att utöka mitt nätverk inom Uppsala universitet, hitta nya samarbetspartners och få idéer till nya tvärvetenskapliga projekt.

Utveckling av avancerat utbildningsmaterial om AI-baserad samhällsvetenskap

Matteo Magnani, institutionen för informationsteknologi

Under denna sabbatstid kommer jag att utveckla avancerat utbildningsmaterial om AI-baserad samhällsvetenskap, vilket utgör en grundläggande del av den framväxande disciplinen som kallas för Computational Social Science (CSS) på engelska. Medan specifika typer av AI har använts inom specifika delområden inom samhällsvetenskapen under lång tid, främst märkbart inom Agentbaserad modellering och bearbetning av naturligt språk, har endast nyligen AI blivit brett erkänt som ett nytt paradigm som är tillämpligt inom samtliga samhällsvetenskaper. Trots denna erkännelse finns det fortfarande ingen lärobok eller liknande material som beskriver detta paradigm på ett sätt som är omfattande vad gäller täckta metoder, tekniskt avancerat och tydligt relaterat till samhällsvetenskapliga frågor och metodik. Genom det utvecklade materialet är min ambition att spela en viktig roll i formandet av AI-baserad samhällsvetenskap (ett ämne som snart kommer att utgöra en grundläggande del av all samhällsvetenskaplig forskarutbildning) och att bidra till att etablera Uppsala universitet som en av de ledande centren inom CSS. Detta projekt kopplar samman initiativet AI4Research med Information Laboratory (InfoLab) vid Institutionen för informationsteknologi och det fakultetsöverskridande Computational Social Science Laboratory (CSSLab).

Vad ser du fram emot mest under ditt sabbaticalår?

För att utveckla utbildningsmaterial kommer jag att behöva läsa mycket och interagera med andra experter inom olika AI-metoder. AI4Research är en perfekt miljö för båda dessa syften.

Digging deeper into anxiety mechanisms using multimodal data and AI

Andreas Frick, institutionen för medicinska vetenskaper

Hur lär vi oss vad i omgivningen som signalerar fara och vad som är ofarligt? Hur uppdaterar vi vår respons på en tidigare hotande situation som nu är ofarlig? För att besvara dessa frågor kombinerar vi data från hjärnavbildning, psykologiska experiment och enkäter. Nuvarande sätt att analysera dessa multimodala data utnyttjar inte den rika informationen och de inneboende strukturerna i datan. Vi kommer att utveckla ett nytt maskininlärningsbaserat ramverk för att bättre ta tillvara all data och förbättra vår förståelse för de grundläggande frågorna om hur vi navigerar bland faror i världen. Den förståelsen kan sen användas för att förbättra behandlingar för ångestsyndrom, där vissa ofarliga situationer orsakar stark rädsla.

Vad ser du fram emot mest under ditt sabbaticalår?

Att vara i en inspirerande miljö där jag kan fokusera på att lära mig mer om AI och ägna tid åt att utveckla våra analysmetoder. Utbyta idéer och lära mig från andra forskare som arbetar med liknande metoder och har liknande intressen.

AI och den offentliga sektorn – automatiserat beslutsfattande mot enskild

Jenny Eriksson Lundström, institutionen för informatik och media

Beslutsfattande och särskilt myndighetsutövning mot enskild har en genomgripande betydelse såväl för den enskilde som för samhället i stort. Detta projekt ämnar studera professionella, praktiska och tekniska aspekter av AI-baserat automatiserat beslutsfattande, särskilt avseende myndighetsutövning mot enskild, i syfte att belysa de risker och möjligheter som aktualiseras för organisation, individ och samhälle när det professionella omdömet alltmer ersätts av AI-lösningar. Detta fokus medför att det aktuella projektet utgör ett efterfrågat bidrag till individer (beslutsfattare, myndighetsutövare och den enskilde) och organisationer.

Vad ser du fram emot mest under ditt sabbaticalår?

Jag ser fram emot att möta och utbyta erfarenheter med kollegor inom Uppsala universitet för att förhoppningsvis stärka forskning och samarbeten kring AI inom och mellan våra olika forskningsfält och discipliner. Naturligtvis ser jag också fram emot fokuserad tid för åtaganden kring och genomförandet av mitt projekt.

Text-som-data och statistisk inferens

Måns Magnusson, statistiska institutionen

Mitt projekt syftar till att adressera den ökande tillgängligheten av digital textdata inom områden som samhällsvetenskap och humaniora (SH), såsom parlamentariska förfaranden, rättsfall och tidningar. Projektet fokuserar på att främja statistisk inferens för att analysera stora textdata. Tanken är att kombinera probabilistiska programmeringsspråk med specialiserade modeller och algoritmer, såsom förtränade språkmodeller. Syftet är att underlätta flexibel modellering av textdata inom SH, införliva a priori kunskap i textmodeller för att fånga relevanta begrepp och utveckla nya metoder för att utvärdera och diagnostisera statistiska modeller för textdata. Det övergripande målet är att förbättra den vetenskapliga och statistiska validiteten och tolkningsbarheten av analyser som utförs på stora samlingar av dokument.

Vad ser du fram emot mest under ditt sabbaticalår?

Att diskutera mina problem med andra forskare och framförallt hur vi kan kombinera modeller och algoritmer från maskininlärning med mer klassisk statistisk slutledning. Särskilt intressant är det att förstå hur andra integrerar dessa modeller och metoder i forskningsprocessen för vetenskaplig slutledning.

AI:s påverkan på arbetsmiljön

Åsa Cajander, institutionen för informationsteknologi

I en snabbt föränderlig värld har artificiell intelligens (AI) blivit en kraft att räkna med, och dess inverkan på hur vi arbetar blir allt tydligare. Det är en utveckling som väcker intressanta frågor om hur AI påverkar arbetsmiljön och vårt välbefinnande.

Ett detta forskningsprojekt har vi således som huvudmål att utforska konsekvenserna av AI-användning i arbetslivet. Projektet strävar efter en förståelse av hur tidiga användare av AI inom IT-branschen globalt påverkas i sin arbetsmiljö och hur teknologin påverkar arbetsvillkoren för vårdpersonal.

Genom samarbete med andra forskare och en tvärvetenskaplig ansats arbetar projektet för att främja positiva förändringar i arbetsmiljön. Det är viktigt för att skapa en mer inkluderande arbetsplats och samhälle som tar tillvara på de möjligheter som AI kan erbjuda.

Vad ser du fram emot mest under ditt sabbaticalår?

Att få tid och resurser att utforska AI:s påverkan på arbetsmiljön och samarbeta med andra forskare är en fantastisk möjlighet! Jag vill bidra till en bättre förståelse av hur AI kan förbättra arbetsvillkoren och främja positiva förändringar i arbetslivet. Det är en spännande och meningsfull utmaning som jag ser fram emot att ta itu med.