Tre industridoktorander presenterar sin forskning på AI-konferens
Vid årets upplaga av Swedish Artificial Intelligence Societys workshop medverkar tre doktorander från industriforskarskolan Data Intensive Applications. De kommer att redogöra för sin forskning inom automatiska visuella inspektioner inom tillverkningsindustrin, maskininlärningsmodeller inom skogsindustrin, samt identifikation av kvalitetsproblem.
12–13 juni äger SAIS 2023, den 35:e årliga workshopen inom Swedish Artificial Intelligence Societys (SAIS), rum i Karlskrona. Från industriforskarskolan Data Intensive Applications (DIA) vid Linnéuniversitetet kommer tre doktorander att presentera sin forskning.
– Vi uppmuntrade några av våra industridoktorander att lämna in papers och tre valdes ut att presentera. Vi tänker bjuda in alla våra DIA-doktorander att delta i workshopen, eftersom det är en fantastisk möjlighet att nätverka och träffa andra forskare, säger Diana Unander som är koordinator för DIA.
Ett exempel på oövervakad defektdetektering i tillverkningen
Felix Viberg, industridoktorand vid SKF, kommer i sin presentation att diskutera två distinkta tillvägagångssätt som kan användas för automatiska visuella inspektioner inom tillverkningsindustrin.
– För närvarande är den mest använda metoden för att lösa detta problem att utnyttja övervakad maskininlärning. Vi kommer att jämföra denna metod med ett alternativt, oövervakat tillvägagångssätt baserat på normalizing flows, berättar Felix Viberg.
Förbättra övervakade maskininlärningsmodeller inom skogsindustrin med genererad data
Dag Björnberg är industridoktorand vid Softwerk.
– Jag undersöker bland annat möjligheten att använda genererad bilddata som en kompletterande resurs till riktiga bilder i en mängd olika inlärningsuppgifter. Specifikt, som ett proof of concept, används de genererade uppgifterna i olika klassificeringsuppgifter som är relevanta för skogsindustrin. Detta inkluderar till exempel att räkna antalet årsringar som finns i en bild av en stockände.
Mot bättre produktkvalitet: Identifiera legitima kvalitetsproblem genom NLP och maskininlärningstekniker
Den tredje medverkande doktoranden är Rakhshanda Jabeen vid Electrolux. Hon kommer att diskutera sin forskning om att använda natural language processing (NLP) och maskininlärning (ML) för att identifiera genuina kvalitetsfrågor.
– När en kund rapporterar ett kvalitetsproblem via ett servicesamtal är det avgörande att i efterhand avgöra om samtalet var ett legitimt kvalitetsproblem eller inte. Genom att analysera textdata från både kunder och servicetekniker har jag jämfört olika tillvägagångssätt för att identifiera den mest effektiva metoden för att klassificera samtal.