HAPADS: Highly Accurate and Autonomous Programmable Platform for Providing Air Pollution Data Services to Drivers and the Public

Kierownik projektu: dr inż. Krystian Wojtkiewicz  
Finansowanie: Fundusze Norweskie
Program: PL-Applied Research
Czas realizacji: 2021-2023

Opracowanie algorytmów do dynamicznej identyfikacji obrazu

Kierownik projektu: dr hab. inż. Marek Krótkiewicz
Program: Opracowanie innowacyjnej technologii automatycznej identyfikacji programów telewizyjnych w czasie rzeczywistym za pomocą analizy obrazu dla branży meblarskiej przez firmę "SPRINTER"
Finansowanie: RPOP.01.01.00-16-0008/18-00
Czas realizacji: 2021

Usługa badawcza (w ramach projektu RPSL.01.02.00-24-0493/19 "Prace badawczo - rozwojowe nad innowacyjnym systemem analiz i raportowania" ).

Kierownik projektu: dr hab. inż. Lech Madeyski
Finansowanie: NCBiR (Unia Europejska, EFRR)
Program: Regionalny Program Operacyjny Województwa Śląskiego
Czas realizacji: 2021

Usługa badawcza "polegająca na doborze algorytmów dotyczących kwestii językowych cech, które mogą opisywać treści przetargów". Realizacja usługi badawczej polega na opracowaniu, na podstawie dostarczonego przez Zamawiającego modelu, mechanizmu umożliwiającego uzyskiwanie wyjaśnień dotyczących predykcji zastosowanego modelu z wykorzystaniem podejścia eXplainable AI. Przeprowadzona zostanie szczegółowa analiza jednego opracowanego wcześniej przez Zamawiającego modelu wykorzystującego język polski pod kątem możliwości poprawy jego wyników. Zostanie dostarczony opis rekomendowanego rozwiązania z zakresu eXplainable AI, opis zastosowanej implementacji oraz wnioski dotyczące istniejącego modelu.

New methods and algorithms for increasing Cybersecurity in Blockchain Technology

Kierownik projektu: dr inż. Michał Kędziora  
Finansowanie: H2020 (grant agreemet No. 825183) 
Program: NGI Explorers program
Czas realizacji: 2019-2022

Opracowanie i przygotowanie do wdrożenia usprawnień sprzętowych TopShow3D oraz w zakresie oprogramowania mających za zadanie automatyczną, adaptacyjną i wydajną obliczeniowo segmentację sekwencji obrazów jako narzędzi tworzenia treści wirtualnej (VR) i rozszerzonej (AR) rzeczywistości

Kierownik projektu: dr inż. Krystian Wojtkiewicz  
Program: Bon na innowację
Czas realizacji: 2019

Deep Recommendation Based on Collective Knowledge

Kierownik projektu: Prof. dr hab. inż. Ngoc Thanh Nguyen, dr hab. inż. Dariusz Król 
Finansowanie: Ministerstwo Nauki i Szkolnictwa Wyższego i DAAD (Niemcy)
Program: Bilateralny Program Polsko-Niemiecki
Czas realizacji: 2018-2019

Metody zarządzania ewolucją ontologii i ich odwzorowań

Kierownik projektu: dr inż. Marcin Pietranik
Finansowanie: Narodowe Centrum Nauki
Program: SONATA
Czas realizacji: 2018-2021

Badania w zakresie problematyki generowania liczb prawdziwie losowych

Kierownik projektu: dr hab. inż. Ireneusz Jóźwiak  
Finansowanie: NCBiR przez COMPSECUR
Czas realizacji: 2018-2021

Opracowanie metody do oceny potencjalnego obiektywnego przyrostu wiedzy po integracji ontologii na poziomie relacji

Kierownik projektu: dr inż. Adrianna Kozierkiewicz
Finansowanie: Narodowe Centrum Nauki
Program: MINIATURA
Czas realizacji: 2018

Wpływ dyfuzji wiedzy w grupach na kompletność wyszukiwania informacji

Kierownik projektu: dr inż. Marcin Maleszka
Finansowanie: Narodowe Centrum Nauki
Program: MINIATURA
Czas realizacji: 2018

Production Unit Performance Management Tool (PUPMT)

Kierownik projektu: Dr inż. Marek Krótkiewicz 
Finansowanie: Narodowe Centrum Badań i Rozwoju
Program: Szybka Ścieżka
Czas realizacji: 2018

Codebeat - wykorzystanie sztucznej inteligencji w statycznej analizie jakości oprogramowania

Kierownik projektu: dr hab. inż. Lech Madeyski, mgr inż. Tomasz Korzeniowski
Finansowanie: NCBiR (Unia Europejska, EFRR)
Numer projektu: POIR.01.01.01-00-0792/16-00 
Program: Program Operacyjny Inteligentny Rozwój
Czas realizacji: 2017-2020

W ramach projektu zrealizowane zostały następujące zadania:

• Opracowanie (w jęz. angielskim) protokołu przeglądu oraz wybranych części składowych raportu będącego przeglądem literatury w zakresie wykorzystania metod uczenia maszynowego do wykrywania brzydkich zapachów kodu.
• Opracowanie struktury danych (wstępnej listy predyktorów i wybranych brzydkich zapachów) na potrzeby budowy prototypu modelu predykcji w R.
• Opracowanie metody przygotowania danych szkoleniowych.
• Budowa, ewaluacja i doskonalenie prototypów rozwiązań wykorzystujących modele predykcji, algorytmy uczenia maszynowego do predykcji brzydkich zapachów kodu.

Data Science in Software Engineering

Kierownik projektu: dr hab. inż. Lech Madeyski
Finansowanie: Capgemini
Czas realizacji: 2017

Badania realizowane dla firmy Capgemini dotyczą  "User story effort prediction"

Summer School on Collective Intelligence

Kierownik projektu: Prof. Ngoc Thanh Nguyen, dr inż. Marcin Maleszka  
Finansowanie: IEEE System Man and Cybernetics Society
Program: IEEE SMC Outreach
Czas realizacji: 2017-2018

Zastosowania systemów wieloagentowych do różnych zadań integracji wiedzy i podejmowania decyzji grupowych

Kierownik projektu: Prof. Ngoc Thanh Nguyen 
Finansowanie: Ministerstwo Nauki i Szkolnictwa Wyższego
Program: Uniwersytet Młodych Wynalazców
Czas realizacji: 2016-2017

ICT COST Action IC1302: Semantic Keyword-based Search on Structured Data Sources (KEYSTONE)

(KEYSTONE - Semantyczne wyszukiwanie na podstawie słów kluczowych w źródłach danych mających strukturę)

Realizacja systemu wieloagentowego oraz jego wykorzystanie do analizy różnych procesów integracji wiedzy i podejmowania grupowej decyzji

Kierownik projektu: Profesor Ngoc Thanh Nguyen
Finansowanie: Ministerstwo Nauki i Szkolnictwa Wyższego
Program: Uniwersytet Młodych Wynalazców
Czas realizacji: 2014-2015

Celem projektu jest opracowanie modelu systemu wieloagentowego oraz jego implementacja, który zostanie wykorzystany do analizy procesów integracji wiedzy i podejmowania decyzji grupowych. Projekt jest realizowany we współpracy z III LO we Wrocławiu. Uczniowie pod opieką pracowników naukowych naszej Katedry będą pracowali w grupach. Efektem pracy każdego zespołu będzie zaimplementowany system wieloagentowy, opracowana metoda integracji wiedzy i rozwiązywania problemu niespójności wiedzy kolektywu oraz analiza jakości tej wiedzy.

W jakim stopniu zjawisko propagacji błędów występujące w inteligentnych i inspirowanych przyrodą strukturach sieciowych można wykorzystać do projektowania złożonych systemów informatycznych?

Kierownik projektu: Dr inż. Dariusz Król
Finansowanie: Komisja Europejska, Marie Curie Action: Intra-European Fellowship
Czas realizacji: 2012-2014
http://cordis.europa.eu/project/rcn/101627_en.html

Projekt realizowany w ramach wniosku FP7-PEOPLE - 2010 - IEF - 274375 - EPL dotyczył kwestii, czy i w jakim stopniu zasady projektowania złożonych systemów informatycznych można określić badając zjawisko propagacji błędów występujące w strukturach biologicznych, transportowych i komunikacyjnych.
Do najważniejszych wyników projektu można zaliczyć przygotowanie numeru specjalnego czasopisma New Generation Computing pt. "Propagation Phenomenon in Complex Networks: Theory and Practice”, jak również redakcję książki pt. "Propagation Phenomena in Real World Networks” opublikowanej przez wydawnictwo Springer w serii Intelligent Systems Reference Library.

Metody odwzorowywania ontologii uwzględniające semantykę i wartościowanie atrybutów

Kierownik projektu: mgr inż. Marcin Pietranik
Finansowanie: Narodowe Centrum Nauki
Program: PRELUDIUM
Czas realizacji: 2011-2013

Głównym celem projektu jest opracowanie metod mapowania ontologii. Najważniejszym wkładem do tej szeroko omawianej w literaturze dziedziny jest rozszerzenie definicji ontologii o semantyki najmniejszych elementów występujących w takich strukturach jakimi są atrybuty. Następnie formalne kryteria wykrywania relacji pomiędzy atrybutami są wykorzystywane w procesie wyznaczania poprawnych mapowań.

Metoda wyznaczania personalizowanego scenariusza uczenia w systemach E-learning

Kierownik projektu: Prof. dr hab. inż. Ngoc Thanh Nguyen
Finansowanie: Ministerstwo Nauki i Szkolnictwa Wyższego
Nr projektu: N N516 041937
Typ: promotorski
Czas realizacji: 2009-2011

Głównym celem projektu jest opracowanie metody wyznaczenia efektywnego scenariusza uczenia dla studenta z wykorzystaniem metod personalizacji. Następnie metoda zostanie implementowana w inteligentnym systemie e-learning.

Metody integracji wiedzy w wybranych zadaniach kolektywnej inteligencji

Kierownik projektu: Prof. dr hab. inż. Ngoc Thanh Nguyen
Finansowanie: Ministerstwo Nauki i Szkolnictwa Wyższego
Nr projektu: N N519 407437
Typ: własny
Czas realizacji: 2009-2012

Głównym celem projektu jest opracowanie wachlarzu metod integracji wiedzy opartych o metody kolektywnej inteligencji. Nacisk jest położony na takie aspekty jak przetwarzanie niespójności wiedzy, języki komunikacji w środowiskach wieloagentowych, systemach rekomendacji i przetwarzanie danych niekompletnych.

Modelowanie Kolektywnej Inteligencji Obliczeniowej poprzez Zastoswanie Teorii Konsensusu

Kierownik projektu: Professor Ngoc Thanh Nguyen
Polska Akademia Nauk (PAN) i National Research Foundation (NRF-Korea)
Czas realizacji: 2010-2011

Głównym celem projektu jest opracowanie metod dla kolektywnej inteligencji z wykorzystaniem teorii Consensusu. Główny nacisk jest położony na przetwarzanie niespójności wiedzy w systemach webowych i integracji ontologii.

Wielomodelowe metody predykcji dla dynamicznych problemów regresyjnych

Kierownik projektu: Dr inż. Bogdan Trawiński
Finansowanie: Narodowe Centrum Nauki
Nr projektu: N N516 483840
Typ: własny
Czas realizacji: 2011-2014

Głównym celem projektu jest opracowanie nowych modeli i metod predykcji, opartych na podejściu wielomodelowym i hybrydowym. Przewiduje się opracowanie metod, które zapewniałyby niezbędną równowagę pomiędzy czterema zasadniczymi warunkami: były wystarczająco dokładne, stabilne, interpretowalne oraz efektywne. Kryteria te są bardzo ważne w niektórych obszarach zastosowań, w szczególności w przypadku długookresowych wycen wartości, np. wartości nieruchomości, czy wartości pakietów długów sprzedawanych i kupowanych na wolnym rynku.

W związku z właściwością przyrostowego pojawiania się informacji służących do generalizacji na systemy uczące nałożone jest wymaganie rewizji dotychczas nauczonej wiedzy jak tylko pojawiają się nowe obserwacje. Zatem istotnym problemem w predykcji dynamicznych zagadnień regresyjnych jest niestacjonarność danych. Celem wnioskowanego projektu jest opracowanie metod ewoluującego i inkrementacyjnego uczenia dla predykcji zagadnień regresyjnych, które pozwolą na odzwierciedlanie zmiennej w czasie charakterystyki danych.

Można wymienić pięć zasadniczych obszarów badawczych rozważanych w ramach projektu: ewoluujące systemy rozmyte zastosowane w systemach wielomodelowych, samoadaptujące algorytmy genetyczne wykorzystywane do optymalizacji systemów rozmytych, inkrementacyjne algorytmy dla zespołów modeli, wielomodelowa predykcja struktur złożonych (sekwencji, grafów, multigrafów), uczenie inkrementacyjne z wykorzystaniem podprzestrzeni cech i zawężonych próbek danych.

Metody propagacji danych w rozwiązywaniu zadań kolektywnej inteligencji

Kierownik projektu: Dr. Dariusz Król
Finansowanie: Ministerstwo Nauki i Szkolnictwa Wyższego
Nr projektu: N N516 448538
Typ: habilitacyjny
Czas realizacji: 2010-2011

Podstawowym celem projektu jest opracowanie efektywnych metod propagacji danych w nowoczesnych systemach sieciowych i ich zastosowanie w rozwiązywaniu wybranych zadań kolektywnej inteligencji. Takie metody są stosowane, gdy podmioty tworzą autonomiczne i rozproszone źródła danych (wiedzy) a do wykonania zadania potrzebują integracji tych danych (wiedzy). Z powodu dużej złożoności dzisiejszych systemów sieciowych, do których zaliczamy sieci P2P, sieci społeczne czy systemy wieloagentowe projekt wymaga zastosowania algorytmów inspirowanych przyrodą, wielokryterialnej optymalizacji oraz zaawansowanego programowania sieciowego.
W ramach projektu zostaną wykonane następujące zadania:
1. Opracowanie ogólnego modelu propagacji, typów propagacji dla różnych rodzajów danych oraz schematów integracji danych. Ogólna analiza procesów propagacyjnych została już opracowana przez autora wniosku w 3 pracach z tzw. listy filadelfijskiej. Ponadto, zostanie zdefiniowany zbiór możliwych typów propagacji dla danych "pozytywnych" i "negatywnych". Zostaną opracowane algorytmy do wyznaczania wyniku propagacji.
2. Opracowanie algorytmów propagacji consensusu w różnych systemach sieciowych. Propagacja consensusu pozwala na dystrybucję wiedzy na różne platformy implementacyjne. Podobnie jak system z integrowaną wiedzą ma wyższą inteligencję niż systemy składowe tak samo system z możliwością propagacyjną jest efektywniejszy ("pozytywnie" lub "negatywnie") niż systemy bez tej cechy.
3. Opracowanie metod rozwiązywania konfliktów w sieciowym procesie propagacyjnym. Wykorzystana zostanie na tym etapie teoria consensusu, która pozwoli na uniknięcie niepotrzebnych czy szkodliwych.