Projekty a granty

Členové týmu se v rámci tohoto širšího projektu zaměřují na vývoj technik pro zefektivnění jazykových modelů a jejich integraci do uceleného systému. Tento systém umožní výzkumným pracovníkům v humanitních a dalších netechnických oborech provádět pokročilé analýzy textových korpusů. Mezi zkoumané techniky patří kvantizace vah, destilace velkých modelů do menších verzí a tvorba ensemblů expertních modelů, které se dynamicky aktivují na základě charakteristik vstupních dat. Další oblastí výzkumu je identifikace a detekce dezinformací pomocí škály metod založených na umělé inteligenci, strojovém učení a velkých jazykových modelech. Tyto metody zahrnují například analýzu šíření v síti, která dokáže odhalit neobvyklý nárůst určitého narativu, a studium síťových struktur dezinformačního prostoru. K detekci anomálií se využívá i analýza časových řad, která umožňuje identifikovat neobvyklé vzory v šíření informací.

Členové týmu v tomto širším projektu zajišťují matematicko-informatickou podporu pro výzkum témat spojených s energetickou tranzicí v Ostravské metropolitní oblasti. Mimo vývoj vlastních metod spolupracujeme i s dalšími týmy, a to, mimo jiné, na vývoji matematického modelu PED (Positive Energy District) a datových analýzách rozsáhlých dat vedoucích k zodpovězení otázek souvisejících se studiem energetické chudoby.

Hlavním cílem zapojení týmu do tohoto širokého strategického projektu zamřeného na transformaci regionu je realizace výzkumu v aktuálních trendech datové analýzy a vývoji metod pro aplikace umělé inteligence, využitelných v širokém spektru oblastí zahrnující společenskovědní výzkum i aplikace v průmyslových oblastech. Cílem je nejen samotný vývoj datově analytických metod, ale i jejich aplikace ve spolupráci s ostatními pracovními balíčky a výzkumnými Laby.

Členové týmu se v rámci tohoto širšího projektu zaměřují na výzkum, vývoj a implementaci metod výpočetní inteligence pro analýzu nejistých informací, například biosenzorických a společenskovědních dat se systematickou chybou. V analytické části se soustředí na generování hypotéz, nestatistické zpracování časových řad s detekcí a predikcí strukturálních změn a strojové učení včetně hlubokých neuronových sítí. Výzkum znalostních systémů cílí na expertní znalostní báze využívající principy Explainable AI (XAI) v kombinaci s data-driven a kompozičními modely. To je klíčové pro personalizované digitální intervence a mHealth, kde data-driven přístupy nestačí pro určení vhodné intervence, jež vyžaduje expertní znalosti a logické metody jejich interpretace.