Zespół analizy danych metodami sztucznej inteligencji

Kierownik: dr inż. Paweł Zawistowski, pawel.zawistowski@pw.edu.pl 

Przynależność tematyki do Priorytetowego Obszaru Badawczego (POB): Sztuczna inteligencja i robotyka.

Przedmiotem badań realizowanych przez zespół są kwestie związane z praktycznymi zastosowaniami metod z obszaru sztucznej inteligencji w systemach informatycznych, w tym architektury takich rozwiązań, technik weryfikacji jakości nowych modeli oraz ich monitorowania. Zespół bierze aktywny udział w realizacji projektów, których celem jest zastosowanie modeli uczenia maszynowego do rozwiązywania zadań biznesowych, takich jak predykcja zachowań konsumenckich, modelowanie obiektów przemysłowych, generowanie rekomendacji, analiza języka naturalnego, prognozowanie szeregów czasowych, detekcja anomalii czy też analiza atrybucji.

 

Zespół metaheurystycznych metod optymalizacji

Kierownik: dr hab. inż. Jarosław Arabas, prof. PW, jarabas@elka.pw.edu.pl, +48 22 234 7432

Przynależność tematyki do Priorytetowego Obszaru Badawczego (POB): Sztuczna inteligencja i robotyka.

Badania własności metaheurystyk, a w szczególności algorytmów ewolucyjnych, ewolucji różnicowej, CMA-ES i innych. Propozycje nowych algorytmów oraz ulepszeń już istniejących. Zastosowania metaheurystycznych metod optymalizacji do rozwiązywania rzeczywistych problemów, takich jak: projektowanie urządzeń, optymalizacja parametrów modeli teoretycznych zjawisk fizycznych, minimalizacja kosztu pracy urządzeń przemysłowych.

 

Zespół sztucznych sieci neuronowych

Kierownik: dr hab. inż. Paweł Wawrzyński, pawel.wawrzynski@pw.edu.pl, +48 22 234 7120

Przynależność tematyki do Priorytetowego Obszaru Badawczego (POB): Sztuczna inteligencja i robotyka.

Przedmiotem badań prowadzonych przez zespół są struktury sieci neuronowych oraz algorytmy ich uczenia. Zespół podejmuje problemy koncepcyjne kluczowe dla rozwoju dziedziny sztuczne sieci neuronowe, takie jak: 

  • Opracowanie struktur sieci neuronowych, które zależą od jak możliwie najmniejszej liczby uczonych parametrów, przez co są najmniej podatne na przeuczenie. 
  • Opracowanie struktury sieci neuronowych dokonujących klasyfikacji (np. obrazów) i algorytmów ich uczenia, które zapewnią klasyfikatorom neuronowym odporność na złośliwie spreparowane dane.  
  • Rozwój architektur neuronowych stosowanych do zadań z zakresu dziedzin takich jak przetwarzanie języka naturalnego czy też rankingowanie i generowanie rekomendacji.

Zespół bierze udział w interdyscyplinarnych projektach badawczych, w których sieci neuronowe są stosowane do dokonywania predykcji/klasyfikacji w różnych obszarach, w szczególności w medycynie, finansach i szeroko rozumianej technice. 

Zespół bioinformatyki

Kierownik: dr hab. inż. Robert Nowak, prof. uczelni, robert.nowak@pw.edu.pl, +48 234 7718

Przynależność tematyki do Priorytetowego Obszaru Badawczego (POB): Cyberbezpieczeństwo i analiza danych.

Przedmiotem badań prowadzonych przez zespół są algorytmy wykorzystywane w analizie danych genetycznych, przede wszystkim sekwencji DNA. Zespół tworzy nowe algorytmy, implementuje je w wydajnych architekturach, przedmiotami zainteresowań zespołu są przede wszystkim algorytmy:

  • assemblingu odczytów sekwenatorów 2 generacji (oparte o pografy de Bruijna)
  • assemblingu odczytów sekwenatorów 3 generacji (oparte o graf pokrycia)
  • łączenia odczytów z sekwenatorów 2 i 3 generacji (heurystyczne)
  • assemblingu map optycznych
  • analizy wariantów genetycznych, przede wszystkim liczby kopii (CNV) w oparciu
    o analizę głębokości pokrycia
  • tworzenia projektowania długich, sztucznych cząsteczek DNA (synteza sztucznych genów)
  • porównywania sekwencji DNA wykorzystując położenie markerów.

Poboczną działalnością jest analiza danych za pomocą naszych algorytmów i innych narzędzi.

Zespół uczenia maszynowego

Kierownik: dr hab. inż. Paweł Wawrzyński, pawel.wawrzynski@pw.edu.pl, +48 22 234 7120.

Przynależność tematyki do Priorytetowego Obszaru Badawczego (POB): Sztuczna inteligencja i robotyka.

Przedmiotem badań prowadzonych przez zespół są struktury klasyfikatorów, aproksymatorów i predyktorów, a także efektywne algorytmy uczenia maszynowego, w szczególności uczenia ze wzmocnieniem. Zespół podejmuje problemy naukowe kluczowe dla rozwoju dziedziny uczenie maszynowe, takie jak: 

  • Opracowanie algorytmów uczenia generujących zestawy reguł decyzyjnych na podstawie zbiorów uczących znacznej wielkości.
  • Opracowanie algorytmów uczenia on-line, które są efektywne i nie zależą od hiperparametrów wymagających dopasowania do problemu. 
  • Opracowanie algorytmów uczenia ze wzmocnieniem potrzebujących minimalną ilość doświadczenia do wyznaczenia bliskiej optymalnej polityki sterowania. 
  • Opracowanie algorytmów uczenia ze wzmocnieniem możliwych zastosowania w robotyce. 

Zespół bierze aktywny udział w projektach, których celem jest analiza danych. 

Zespół fuzji danych

Kierownik: dr hab. inż. Robert Nowak, robert.nowak@pw.edu.pl, +48 22 234 7718

Przynależność tematyki do Priorytetowego Obszaru Badawczego (POB): Sztuczna inteligencja i robotyka, Cyberbezpieczeństwo i analiza danych.

Przedmiotem badań prowadzonych są algorytmy łączenia danych z wielu sensorów opisujących te same obiekty.  Zespół implementuje oprogramowanie wykorzystujące te algorytmy. Zespół dostarcza moduły fuzji danych w aplikacjach typu klient-serwer, wykorzystując Internet, na potrzeby obronności, badań geologicznych, energetyki, inżynierii lądowej, oraz przeciwdziałania przestępczości.

Zespół zastosowania algorytmów sztucznej inteligencji w problemach sieciowych

Kierownik: dr inż. Stanisław Kozdrowski, s.kozdrowski@elka.pw.edu.pl, +48 22 234 5048

Przynależność tematyki do Priorytetowego Obszaru Badawczego (POB): Sztuczna inteligencja i robotyka, Technologie fotoniczne.

Zastosowanie algorytmów opartych na:

  • programowaniu liniowym (w tym całkowitoliczbowym), 
  • metodach heurystycznych (w tym inspirowanych naturą), 
  • metodach uczenia maszynowego (w tym algorytmów klasyfikacji w uczeniu maszynowym) 

do różnych problemów sieciowych, a w szczególności do: 

  • optymalizacji zasobów w sieciach teleinformatycznych uwzględniając wydatki kapitałowe (CapEx) i wydatki operacyjne (OpEx), 
  • optymalizacja pojemności krawędzi, 
  • prognozowania ruchu na podstawie danych historycznych, 
  • oceniania jakości sieci teletransmisyjnych (QoS). 

Analizowane przykłady sieci to różne wielowarstwowe topologie sieci operatorów telekomunikacyjnych (głównie sieci optyczne, oparte na światłowodach), sieci 5G jak również sieci czujnikowe realizujące technologię Internetu Rzeczy (IoT).