ADMOL: Ett generellt ramverk för aktivt beslutsfattande i online-lärande
Forskningsprojekt, 2024 – 2028

I många tillämpningar behöver system som bygger på artificiell intelligens (AI) ständigt interagera med människor eller omgivande miljö. Ett exempel på en sådan tillämpning är medicinska diagnoser av patienter. För att ställa en diagnos genomförs en serie medicinska tester som kan vara både kostsamma och komplicerade. Dessutom utförs varje nytt medicinskt test med avseende på resultaten av de tidigare testerna. Detta fortsätter tills ett beslut kan tas om sjukdomen. Målet är att identifiera sjukdomen med ett minimalt antal medicinska tester. Denna procedur kallas aktivt beslutsfattande, eftersom processen för att fatta beslutet bör ta hänsyn till och minimera de totala kostnaderna för att utföra testerna. Efter att ha diagnostiserat en patient upprepas denna procedur för nästa patient som kan lida av en annan sjukdom. Med andra ord, proceduren utförs på ett sekventiellt sätt, där patienterna diagnostiseras en efter en. I detta projekt avser vi att använda AI för att automatisera dessa procedurer, så att vårt AI-system utför diagnosen för varje patient på så kostnadseffektivt sätt som möjligt. En annan tillämpning är att identifiera grundorsaker i interaktiva felsökningsapplikationer: Anta att din mobiltelefon är trasig och att du kontaktar kundtjänst för att ta reda på grundorsaken till felet. Du blir då besvarad av en virtuell (automatiserad) agent vars syfte är att hitta grundorsaken med ett minimalt antal frågor (tester) om enhetens symptom, eftersom varje interaktion/test medför en viss kostnad/tid. Målet för agenten är därför att ha en policy för frågeställande (d.v.s. sätt att ställa frågor) som leder till att man hittar grundorsaken (beslutet) så snabbt som möjligt. Efter att ha hittat grundorsaken till den nuvarande kundens problem fortsätter agenten sekventiellt med efterföljande kunder. Syftet med vårt projekt är att utveckla ett generellt ramverk för att hantera många sådana tillämpningar på ett enhetligt, ändamålsenligt och kostnadseffektivt sätt.

Deltagare

Morteza Haghir Chehreghani (kontakt)

Chalmers, Data- och informationsteknik, Data Science och AI

Finansiering

Vetenskapsrådet (VR)

Projekt-id: 2023-04809
Finansierar Chalmers deltagande under 2024–2027

Relaterade styrkeområden och infrastruktur

Informations- och kommunikationsteknik

Styrkeområden

Hållbar utveckling

Drivkrafter

Grundläggande vetenskaper

Fundament

C3SE (Chalmers Centre for Computational Science and Engineering)

Infrastruktur

Mer information

Senast uppdaterat

2023-12-23