Automating System SpEcific Model-Based LEarning - ASSEMBLE
- Reference number
- RIT15-0012
- Start and end dates
- 160701-220630
- Amount granted
- 28 357 016 SEK
- Administrative organization
- Uppsala University
- Research area
- Information, Communication and Systems Technology
Summary
This project will provide new abstractions and algorithms enabling systems engineers to design smart systems of significantly higher complexity, using only a fraction of the effort spent today. These abstractions are encoded using probabilistic models that are automatically combined with data and suitable machine learning methods. Specifically, we will develop a new probabilistic modeling language, together with new modeling techniques and machine learning algorithms. The end result is an automated solution for application specific model-based machine learning. Together with our partner companies and end-users (Autoliv, Greenely, Karolinska, and ABB), we have selected demonstrators that drive our research and safeguard the project’s direct relevance for the Swedish industry. These demonstrators involve understanding the environment surrounding a car, energy disaggregation using smart meters, automated analysis of cell migration, energy-aware computing, and container crane automation. While these demonstrators cover a diverse range of industrial expertise, each of them involves a dynamic system that interacts with an environment perceived through a range of sensors. At the core, we have models and inference methods that turn sensor data into information about the system’s behavior and its environment. This information is passed on to humans or to the system itself, which takes appropriate actions. By using the new modeling language, we will automate this process.
Popular science description
Framtidens smarta system skall kunna förstå och interagera med sin omgivning med betydligt större intelligens än de system vi har idag. Samtidigt blir de tillämpningar för vilka vi vill skapa smarta system allt mer komplexa, vilket gör att kraven för vad som anses vara ett intelligent system höjts. Kraftfulla metoder som kan möta denna förväntan utvecklas dock i rask takt. Dessa metoder brukar ofta beskrivas under samlingsnamnet maskininlärning och har potentialen att göra systemen just smarta. Ett problem är dock att experter inom många tillämpningsområden ofta inte har en tillräckligt bra förståelse för de maskininlärningsmetoder som finns, för att på sätt kunna välja rätt metod och sedan använda den i systemet. Många av de smarta system som utvecklas riskerar därför att gå miste om de mest lämpade och kraftfulla maskininlärningsmetoderna. I detta projekt kommer vi fundamentalt förändra denna situation genom att, utöver att skapa nya innovativa metoder för maskininlärning, även skapa ett ramverk inom vilket man kan beskriva tillämpningsspecifika problem så att rätt maskininlärningsalgoritm sedan kan väljas automatiskt. Vi kommer att realisera detta i form av ett modellbaserat programmeringsspråk för smarta system. Då vårt mål är ett gemensamt språk för många olika typer av smarta system, så duger det inte att utveckla ramverket utifrån någon enstaka tillämning. Vi kommer därför låta utvecklingen drivas av inte mindre än fem olika och vitt skilda tillämpningsområden. Dessa är: smarta elmätare; automatisk mikroskopidataanalys av cellmigration; energieffektiva beräkningar; automatisering av lyftkranar i en hamn; samt automatiska fordonssäkerhetssystem. Arbetet mot dessa tillämpningsexempel kommer dessutom att ske i samarbete med ett brett spann av olika aktörer och slutanvändare så som andra akademiker, startupföretag och väletablerade storföretag. Detta ger oss en unik möjlighet att få del av många olika aspekter kring kravställningar och utveckling av smarta system för dessa tillämpningar. De direkta och långsiktiga målen med projektet är ett modellbaserat programmeringsspråk för smarta system samt nya och förbättrade maskininlärningsmetoder. Det ska dock inte förringas att de framsteg vi gör inom de specifika tillämpningsområdena också har potential att leda till sänkt miljöpåverkan genom förbättrad energieffektivitet, nya läkemedel genom biomedicinsk forskning möjliggjord av våra analysverktyg, samt räddade liv genom ökad trafiksäkerhet.