Kontinuerlig Djup Analys
- Diarienummer
- BD15-0006
- Start- och slutdatum
- 170101-221231
- Beviljat belopp
- 32 705 188 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Storskaliga databehandlingssystem används idag i en mängd olika tillämpningar till stöd för beslutsfattande, men användningen begränsas av två stora brister: 1) avancerad analys är idag inte fullt skalbar och de resultat som produceras är inte tolkningsbara, och 2) nuvarande beräkningssystem stöder inte kontinuerlig analys på stor skala. Vi kommer att lägga grunden för kontinuerlig djup analys (CDA): en radikalt ny ansats för dataanalys i kombination med storskalig maskininlärning som kan producera tolkningsbara kausala modeller av världen. Tolkningsbarhet och kausalitet är avgörande för att Big Data skall bli en integrerad del av beslutsfattandet i samhället. Nuvarande metoder saknar båda egenskaper och därmed kan aldrig användas för att fatta kritiska beslut. CDA system kan användas på ett enkelt deklarativ sätt för att producera resultat på enorm skala, och kommer att kunna balansera grundläggande kompromisser mellan den tid som krävs för att utföra en beräkning, de beräkningsresurser som krävs och den osäkerhet som är kopplad till resultatet. Projektet kommer att utveckla grunden för CDA system genom två forskningsspår: 1) Algoritmer som effektivt bygger högre ordningens representationer och kausala modeller samt möjliggör resonemang om osäkerhet. 2) En beräkningsmodell som stödjer en deklarativ programmeringsparadigm som förenar relationsalgebra, linjär algebra och grafbearbetning, och som exakt speglar avvägningar mellan tid, resurser och osäkerhet.
Populärvetenskaplig beskrivning
Storskaliga databehandlingssystem används idag i en mängd olika tillämpningar till stöd för beslutsfattande, men användningen begränsas av två stora brister: 1) avancerad analys är idag inte fullt skalbar och de resultat som produceras är inte tolkningsbara, och 2) nuvarande beräkningssystem stöder inte kontinuerlig analys på stor skala. Big Data och Storskaliga databehandlingssystem används idag i en mängd olika tillämpningar till stöd för automation och beslutsfattande, men användningen begränsas av två stora brister. För det första är de lösningar som finns idag mycket bra för att analysera en stor lagrad datamängd och producera ett resultat, men är dåliga på att kontinuerligt bilda sig en uppfattning av världen baserat på data som snabbt strömmar genom systemet, något som är helt nödvändigt för riktigt avancerade tillämpningar. För det andra är avancerade analysmodeller (idag nästan alltid baserade på avancerad maskininlärning) och de resultat de producerar mycket svåra att tolka för en användare och därmed ofta nästan omöjliga att basera viktiga beslut på - för människor säväl som automatiserade maskiner. Vi kommer att lägga grunden för kontinuerlig djup analys (KDA): en radikalt ny ansats för till dataanalys i kombination med storskalig maskininlärning som kan producera tolkningsbara kausala modeller av världen. Tolkningsbarhet och kausalitet är avgörande för att Big Data skall bli en integrerad del av beslutsfattandet i samhället. Nuvarande metoder saknar båda egenskaper och kan därmed aldrig användas för att fatta kritiska beslut. KDA system kan användas på ett för användarna enkelt sätt för att producera analysresultat på enorm skala, och kommer att kunna balansera grundläggande kompromisser mellan den tid som krävs för att utföra en beräkning, de beräkningsresurser som krävs och den osäkerhet som är kopplad till resultatet. Projektet kommer att arbeta i två viktiga forskningsspår: 1) Algoritmer som effektivt bygger högre ordningens representationer och kausala modeller av världen från data, och som möjliggör resonemang om osäkerheten i data och resultat. 2) En beräkningsmodell som stödjer en enkel deklarativ programmeringsparadigm som förenar relationsalgebra, linjär algebra och grafbearbetning, och som exakt speglar avvägningar mellan tid, resurser och osäkerhet.