Etikettarkiv: Deep learning

Stora samhällsvinster med AI

Olof Mogren, forskare inom maskininlärning på RISE. Foto: Julia Sjödin
Olof Mogren, forskare inom maskininlärning på RISE. Foto: Julia Sjödin

Spårning av antibiotikaförskrivning, sortering av e-post och beräknat underhåll av fordon. Det är några exempel på hur deep learning kan användas. Tekniken har medfört stora framsteg inom AI de senaste åren.

– Deep learning eller så kallade djupa neuronnät har revolutionerat i princip alla områden inom AI. Ett av de senaste stora genombrotten har kommit med en form av djupa neuronnät som kallas transformers och som kan hantera enorma mängder textdata, berättar Olof Mogren, forskare inom maskininlärning på forskningsinstitutet RISE.
– Inom mitt område, språkteknologi, har vi under de senaste två åren sett avsevärda förbättringar av prestandan med hjälp av den här typen av modeller, säger Magnus Sahlgren, senior expert som leder språkteknologiforskningen på RISE.
Genom att träna modeller på stora datamängder kan forskarna använda dem på nya användningsområden med mindre data; det kallas för överföringsinlärning. RISE samarbetar till exempel med Kungliga Biblioteket och kan därigenom träna modeller på stora delar av bibliotekets datamängder. Modellen lär sig svenska och kan sedan användas för att lösa en mängd olika specifika problem.

Magnus Sahlgren, senior expert som leder språkteknologiforskningen på RISE. Foto: Fredrik Olsson
Magnus Sahlgren, senior expert som leder språkteknologiforskningen på RISE. Foto: Fredrik Olsson

Forskar på verkliga behov
De båda forskarna betonar hur viktigt det är att alltid utgå från behoven och att samverka med universitet, näringsliv och myndigheter. På RISE bedrivs flera intressanta projekt.
– Vi samarbetar med Sahlgrenska Science Park, Folktandvården, Region Halland med flera och tittar på medicinska texter. I Folktandvårdens fall handlar det om att spåra förskrivning av antibiotika, säger Olof Mogren.
– Ett annat språkrelaterat projekt bygger och använder AI-modeller specifikt för myndigheter. Ett exempel kan vara e-post till Skatteverket som automatiskt kategoriseras och skickas till rätt avdelning. Genom att effektivisera arbetet och även bygga tjänster för medborgare kan vi se stora samhällsvinster, berättar Magnus Sahlgren.
– Den typ av arbetsuppgifter som maskiner tar över, är folk antagligen ganska glada över att slippa. På så sätt får de tid att fokusera på mer kvalificerade arbetsuppgifter, säger Olof Mogren.

Många användningsområden
Projekt inom djupa neuronnät handlar om mer än språkteknologi. Forskarna nämner underhåll av fordon och maskiner, finansiell riskvärdering för cirkulära affärsmodeller och mycket annat.
– Nästa stora steg blir när vi tränar modellerna på fler sinnesintryck som till exempel syn, hörsel, känsel och lukt. Då kommer vår AI att bli ännu mer kraftfull, avslutar Magnus Sahlgren.

RISE

RISE är Sveriges forskningsinstitut och innovationspartner. I internationell samverkan med företag, akademi och offentlig sektor bidrar RISE till ett konkurrenskraftigt näringsliv och ett hållbart samhälle. Runt 60 forskare på RISE jobbar med frågor som rör AI.

Tel: 010-516 50 00
E-post: info@ri.se
www.ri.se

Hierarkisk analys av bilddata inom life science

Carolina Wählby, professor inom kvantitativ mikroskopi på institutionen för informationsteknologi och SciLifeLab vid Uppsala universitet. Foto: Dan Pettersson / DP-Bild
Carolina Wählby, professor inom kvantitativ mikroskopi på institutionen för informationsteknologi och SciLifeLab vid Uppsala universitet. Foto: Dan Pettersson / DP-Bild
Via tvärdisciplinära samarbeten håller projektet HASTE på att utveckla metoder för att hierarkiskt ranka mikroskopidata för life science-tillämpning. Målet är att effektivisera analysen av bilddata, för att snabbare kunna hitta relevant information och driva forskningen framåt.

Digitala kameror som samlar in information om världen runt omkring oss blir allt vanligare. I livsvetenskaperna är storskalig, automatiserad bildinsamling med mikroskopi ett oumbärligt verktyg både i biologisk och medicinsk grundforskning och i läkemedelsutveckling, men datamängderna blir snabbt så stora att varken beräknings- eller lagringsresurser är tillräckliga för att fullt utnyttja informationen. Projektet HASTE (Hierarchal Analysis of Spatial and Temporal Data) utvecklar därför statistiska metoder för att ranka materialet och på så vis prioritera beräknings- och lagringsresurser för den del av datan som har störst sannolikhet att innehålla relevant information.
– Vi fokuserar på mikroskopidata och life science-tillämpningar i samarbete med Astra Zeneca och Vironova, säger Carolina Wählby, professor inom kvantitativ mikroskopi på institutionen för informationsteknologi vid Uppsala universitet.

Förutser var fokus bör ligga
Målet är att sortera datan hierarkiskt, så att beräkningsresurser och lagring tillägnas den del av datan som är relevant för syftet.
– Eftersom allt fler instrument genererar allt mer data behöver vi nya metoder för att inte helt drunkna i datamängderna. Våra verktyg gör det möjligt att redan i förväg se var man bör fokusera analysen, vilket kraftigt minskar tidsåtgång och effektiviserar resursanvändning. Därmed kan vi snabbare driva forskningen framåt och nå nya milstolpar inom många olika områden.

AI och deep learning
I början av 2017 tilldelades HASTE ett femårigt anslag från SSF, vilket lade grunden för ett tvärdisciplinärt samarbete mellan Carolinas forskargrupp och Andreas Helander och Ola Spjuth, som forskar om cloud computing och data streaming respektive avancerade statistiska metoder. Samarbetet har redan blivit väldigt fruktsamt.
– Kombinationen av kompetenser är oerhört viktig för att lösa dessa frågor. Vi siktar bland annat på att använda oss av AI och deep learning som ett steg i beslutsfattandet, två områden med enorm potential. Framöver kommer vi att behöva vara smartare med såväl insamling som lagring och påbörja klassificeringen av data så tidigt som möjligt i flödet; då gäller det att ligga steget före, avslutar Carolina.

Uppsala universitet – HASTE
I samarbete med Vironova och AstraZeneca närmar sig HASTE-projektet insamling, analys och tolkning av mikroskopibilddata på ett hierarkiskt sätt. Här används AI och deep learning för att utveckla effektiva beräkningsmetoder för att ranka lågupplöst data enligt intelligenta spatiala och temporala informationshierarkier, med syftet att fokusera analysresurser efter relevans.

Tel: 018-471 3473
E-post: carolina.wahlby@it.uu.se