Denne uken fikk 23 nye forskningsprosjekter i Norge støtte under FRIPRO-ordningen. Blant dem er tre tilknyttet Det matematisk naturvitenskapelige fakultet. FRIPRO finansierer grunnleggende, fremragende forskning, hvor prosjektideene kommer fra forskerne selv.
Disse fikk støtte:
- Ingrid Glad, Statistical Methods for Online Detection of Anomalies, 12 millioner kroner (erfarne forskere)
- Ali Ramezani-Kebrya, Machine Learning in Real World (MLReal), 8 millioner kroner (tidlig karriere)
- Daniel Heydecker, Towards Matching Bounds in Large Deviations, 8 millioner kroner (tidlig karriere)
Professor Ingrid Glad fikk støtte til prosjektet Statistical Methods for Online Detection of Anomalies. Målet er å utvikle nye statistiske metoder for sanntids detektering av avvik fra normaltilstander, basert på data som kontinuerlig strømmer inn fra et sikkerhetskritisk system.
– Med den økende utbredelsen av strømmedata, er det behov for metoder som automatisk flagger avvik fra normalen så raskt og sikkert som mulig. Prosjektet skal utvikle pålitelige og transparente metoder og algoritmer, med sterke matematiske garantier for hvor godt de virker, forteller Glad.
Ingrid Glad ble nylig kåret til en av Norges fremste teknologikvinner
Kan brukes til helsesensorer og KI
Hun sier videre at tildelingen er en enestående mulighet til å utforske nye og lovende ideer forskningsgruppen hennes har for online avviksdeteksjon.
– Det blir spennende å utvikle nye statistiske metoder som kan håndtere realistiske og komplekse settinger, og prøve dem ut i praksis. Det fascinerende med metodeutvikling er at vi kan levere verktøy som kan brukes i helt ulike sammenhenger. Fra å overvåke helserelaterte sensorer på pasienter i klinikk, til å monitorere KI- og maskinlæringssystemer for avvikende oppførsel, sier Glad.
Midlene gjør at Glad kan ansette både en post.doc. og en PhD.
– Vi skal bygge videre på kompetansen innen avviksdeteksjon vi har opparbeidet gjennom SFI-en BigInsight, dScience, og SFF-en Integreat. Med dette prosjektet kan vi for alvor bevege oss dypt inn i metoder og teorier for avviksdeteksjon i sanntid. Noe som er mye vanskeligere enn såkalte retrospektive metoder matematisk sett, men også langt viktigere, sier Glad som har med seg kolleger fra UiO, Norsk Regnesentral og Lancaster University.
Les mer om forskningen ved Integreat her: De fornyer den kunstige intelligensen
