Υποσύστημα Τεχνητής Νοημοσύνης

ΜΕΘΟΔΟΛΟΓΙΑ ΥΠΟΣΥΣΤΗΜΑΤΟΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ

  • παραμετροποίηση και εκπαίδευση μοντέλων μηχανικής μάθησης βάσει ιστορικών δεδομένων ΤΙΤΑΝ 🡪 πρόβλεψη Καίριων Δεικτών Απόδοσης (Key Performance Indicators, KPIs) προς βελτιστοποίηση ως απευθείας ή σύνθετες συναρτήσεις (άμεσα) χειριζόμενων και μη χειριζόμενων μεταβλητών
    • προεπεξεργασία δεδομένων
      • εξάλειψη περιόδων μη λειτουργίας
      • εξάλειψη παράτυπων σημείων
      • κανονικοποίηση
      • αυτόματη επιλογή μεταβλητών (feature selection) με μεθόδους Αναδρομικής Εξάλειψης Χαρακτηριστικών με Διασταυρούμενη Επικύρωση (Recursive Feature Elimination with Cross-Validation, RFECV) και Διαδοχικής Μπροστινής Επιλογής (Sequential Forward Selection, SFS)
      • αυτόματος διαχωρισμός ως προς το χρόνο με clustering 🡪 ξεχωριστό μοντέλο ανά cluster
    • μοντέλα παλινδρόμησης (επιτηρούμενης μάθησης) με διάφορες υπερπαραμέτρους
      • Γραμμικής Παλινδρόμησης (Linear Regression, LR)
      • Multilayer Perceptrons (MLP)
      • Τυχαίου Δάσους (Random Forest, RF)
      • K πλησιέστερων γειτόνων (K-nearest-neighbors, KNN)
      • LightGBM (LGBM)
      • Gradient Boosting Regressor (GBR)
      • Extreme Gradient Boosting Regressor (XGBoost)
      • CatBoost
      • Transformed Target Regressor (TTR)
  • εφαρμογή εκπαιδευμένων μοντέλων σε δεδομένα πραγματικού χρόνου
  • αυτόματη επανεκπαίδευση μοντέλων βάσει αλλαγής συνθηκών παραγωγής με μοντέλα ενισχυτικής μάθησης
sirokoLogo-white
Το έργο ΣΙΡΟΚΟ υλοποιήθηκε στο πλαίσιο της Δράσης ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ και συγχρηματοδοτήθηκε από την Ευρωπαϊκή ‘Ενωση και εθνικούς πόρους μέσω του Ε.Π. Ανταγωνιστικότητα, Επιχειρηματικότητα & Καινοτομία (ΕΠΑνΕΚ).

Το έργο ξεκίνησε τον Ιούνιο του 2021 και αναμένεται να ολοκληρωθεί το Δεκέμβριο του 2023.

Επιστημονικός υπεύθυνος και συντονιστής του έργου είναι ο Δρ. Δημήτριος Τζοβάρας, Πρόεδρος του ΔΣ του EKETA.

Επικοινωνία