AI-onderzoek

Hoewel begeleid leren grote geannoteerde datasets vereist voor modeltraining, maakt machine learning met minimale supervisie gebruik van niet-gelabelde gegevens en vereist dit minimale menselijke tussenkomst. Minimale toezichtbenaderingen, zoals semi-begeleide, zelfbegeleide, actieve leerprocessen en onzekerheidsmodellering, maken gebruik van andere leerkaders om de nauwkeurigheid te verbeteren. Deze methoden zijn relevant wanneer handmatige etikettering tijdrovend of kostbaar is.

We ontwikkelen few-shot leerbenaderingen die werken wanneer beperkte gegevens beschikbaar zijn voor modeltraining. Onze benaderingen omvatten het gebruik van multimodale data die gebruik maakt van zowel afbeeldingen als tekst, evenals cross-modale hallucinatie- en meta-leermethoden. Een minimale leeraanpak is relevant in alle bedrijfsscenario's met beperkte trainingsgegevens, zoals de classificatie van nieuwe producten in online productcatalogi.

Onze geïntegreerde visuele vraagantwoordmodellen (VQA) verbeteren de detectie van fijnkorrelige informatie en VQA-evaluatiemetrieken, waardoor computers vragen over een afbeelding kunnen beantwoorden in natuurlijke taal. De toepassing van VQA-modellen omvat verschillende branches en varieert van integratie in intelligente chatbots tot ticketing- en factuurverwerkingssystemen, evenals intelligente informatieopvraging voor ziektediagnoses.

State-of-the-art deep learning-modellen brengen omvangrijke rekenkosten en dure hardware met zich mee. We ontwikkelen nieuwe benaderingen voor hulpbronnenefficiënte deep learning, waaronder het beoordelen van modelcomplexiteit, resource-efficiënte netwerken, kwantificeren, snoeien en kennisdestillatie. Efficiënte deep learning-benaderingen in industriële toepassingen helpen monetaire kosten, stroomverbruik, inferentietijd en milieu-impact tot een minimum te beperken.

We ontwikkelen benaderingen van machine learning die beperkingen opleggen die eerlijkheid en privacy bevorderen, zoals differentiële privacy en federated learning, evenals multitask-leren. Dit stelt instellingen in staat om algemene diagnostische of voorspellingsmodellen te gebruiken zonder de privacy van individuen in gevaar te brengen. Het ontwikkelen van algoritmen met beperkingen die eerlijkheid bevorderen helpt ook onbewuste vooroordelen te verminderen in toepassingen zoals kredietscores, bankleningen of cv-matching.

We onderzoeken benaderingen voor levenslang leren die machine learning-modellen in staat stellen om stapsgewijs te leren hoe mensen doen en door eerdere kennis te gebruiken om nieuwe taken te leren. Onze methoden omvatten klassiek-incrementele benaderingen, continue domeinaanpassing, neuroplasticiteit en adaptieve capaciteitsuitbreiding. Machine learning-modellen die continu leren zijn relevant in alle situaties waarin het niet mogelijk is om historische trainingsdata te bewaren.

Het begrijpen van het sentiment en de meningen uitgedrukt in natuurlijke taal is een belangrijke uitdaging in natuurlijke taalverwerking. We werken aan nieuwe benaderingen voor sentimentanalyse die zich richten op het inbedden van neurale woorden en op aandacht gebaseerde methoden. Sentimentanalyse is relevant voor bedrijfssectoren, zoals telecommunicatie, bankwezen, verzekeringen en e-commerce, waar meningen over producten en diensten moeten worden geanalyseerd en er actie op moet worden ondernomen.

Machine learning-modellen en algoritmen hebben een uitstekend niveau van verfijning bereikt, waardoor het uitdagend is om voorspellingen te verklaren. Interpretabele machinelearningbenaderingen, zoals zelfbegeleid en metagestuurd leren en nieuwsgierigheidsgedreven modellen, maken het mogelijk om patronen in data te ontdekken. Dit is van cruciaal belang voor bedrijfsapplicaties, omdat het transparantie biedt en de onderliggende redenen voor voorgestelde outputs helpt uitleggen.

Het extraheren van informatie uit gestructureerde en ongestructureerde documenten is een uitdaging voor Natural Language Processing (NLP) en het is moeilijk om gelabelde gegevens te vinden om modellen voor machine learning te trainen. Ons onderzoek richt zich op sequentiële en tweedimensionale benaderingen voor gestructureerde documenten, combineert elementen van NLP met computervisie en integreert niet-begeleide en zwak begeleide modellen met behulp van transfer learning in informatie-extractiepijpleidingen.