Τον Σεπτέμβριο του 2023, είχαμε την τιμή να συνεργαστούμε με το επιστημονικό συνέδριο FAIEMA ως Community Partner. Το συνέδριο παρείχε μια εξαιρετική εξέδρα στα μέλη μας για να παρουσιάσουν τις πρωτοποριακές τους έρευνες και καινοτομίες στον τομέα της τεχνητής νοημοσύνης! Με υπερηφάνεια υποβάλαμε τρεις εργασίες στο συνέδριο, οι οποίες αντικατοπτρίζουν την ποικιλόμορφη τεχνογνωσία και τις συνεισφορές της κοινότητάς μας. Ακολουθεί μια σύντομη επισκόπηση των εργασιών:
1. Αναλογικός ταξινομητής σε σχήμα καμπάνας χαμηλής ισχύος που βασίζεται σε κυκλώματα με παράλληλη σύνδεση συνάρτησης Gauss

Περίληψη:
Στην παρούσα μελέτη, παρουσιάζεται μια νέα προσέγγιση για την ανάπτυξη αναλογικών ταξινομητών εξαιρετικά χαμηλής ισχύος, ικανών να χειρίζονται αποτελεσματικά πολλαπλά χαρακτηριστικά εισόδου, διατηρώντας παράλληλα υψηλά επίπεδα ακρίβειας και ελαχιστοποιώντας την κατανάλωση ισχύος. Η προτεινόμενη μεθοδολογία βασίζεται σε ένα μοντέλο Voting που αξιοποιεί τις συναρτήσεις πιθανότητας Gauss. Για την αξιολόγηση της απόδοσης της προτεινόμενης μεθοδολογίας, πραγματοποιείται σύγκριση με τους ευρέως χρησιμοποιούμενους αναλογικούς ταξινομητές σχήματος Bell. Για τη σύγκριση αυτή χρησιμοποιείται πραγματικό σύνολο δεδομένων για τον καρκίνο του μαστού. Τα μοντέλα εκπαιδεύονται και τα αποτελέσματα επεξεργάζονται με τη χρήση της γλώσσας προγραμματισμού Python. Ο σχεδιασμός υλικού και η επεξεργασία των αποτελεσμάτων χρησιμοποιούν το Cadence IC Suite, υλοποιώντας την τεχνολογία διεργασίας TSMC 90 nm CMOS.
Ο AI Catalyst αισθάνεται μεγάλη τιμή να μοιραστεί το γεγονός ότι η εργασία αυτή βραβεύτηκε για την πρωτοποριακή συμβολή της στον τομέα. Η αναγνώριση αυτή αποτελεί απόδειξη της αφοσίωσης και των συνεργατικών προσπαθειών της ερευνητικής ομάδας, καθώς στοχεύουμε να διευρύνουμε τα όρια της γνώσης στην Τεχνητή Νοημοσύνη.
Συντάχθηκε από τους Βασίλη Αλιμήση, Αργυρώ Καμπέρη, Νικόλαο Π. Ελευθερίου και Παύλο Π. Σωτηριάδη. Περισσότερα εδώ!
2. Machine Learning Pod Κανβάς (MLPod™ Canvas)

Περίληψη:
Παρουσιάζεται μια μεθοδολογία για την υποβοήθηση της ανάπτυξης ενός προϊόντος που βασίζεται στην τεχνολογία της Μηχανικής Μάθησης. Ενισχύοντας την έννοια του Business Model Canvas προτείνουμε μια παρόμοια έννοια, που ονομάζεται MLPod™ Canvas, η οποία λαμβάνει υπόψη τόσο τις τεχνικές όσο και τις επιχειρηματικές απαιτήσεις και βοηθά την βασική ομάδα ανάπτυξης του προϊόντος να προσδιορίσει με σαφήνεια τα καθήκοντα και τις απαιτήσεις για την παράδοση ενός λειτουργικού και συμβατού προϊόντος. Παρέχονται επίσης υποδείξεις σχετικά με τη συμπλήρωση του καμβά, καθώς και επεξηγήσεις σχετικά με τον σκοπό κάθε επιμέρους μπλοκ του καμβά.
Γράφουν οι Δημήτριος Π. Γερογιάννης, Παύλος Π. Σωτηριάδης και Χριστόφορος Νίκου. Περισσότερα εδώ!
3. Πρόβλεψη Ταχύτητας Ανέμου Μίας Ημέρας με βάση την Προηγμένη Βαθιά και Υβριδική Κβαντική Μηχανική Μάθηση

Περίληψη:
Η ζήτηση ηλεκτρικής ενέργειας έχει αυξηθεί σημαντικά τα τελευταία χρόνια, γεγονός που καθιστά ζωτικής σημασίας την ενσωμάτωση των ανανεώσιμων πηγών ενέργειας (ΑΠΕ) στα δίκτυα ηλεκτρικής ενέργειας σε ευρεία κλίμακα. Μεταξύ των πιο δημοφιλών εναλλακτικών πηγών ενέργειας με πολύ υψηλό δυναμικό είναι η αιολική ενέργεια. Ωστόσο, υπάρχει σημαντική μεταβλητότητα στην ταχύτητα του ανέμου, η οποία έχει ως αποτέλεσμα σημαντικές διακυμάνσεις στην παραγωγή ηλεκτρικής ενέργειας από την αιολική ενέργεια. Κατά συνέπεια, η ενσωμάτωση της τεχνολογίας των ΑΠΕ και ιδίως της αιολικής ενέργειας στα δίκτυα ηλεκτρικής ενέργειας αποτελεί πρόκληση. Ακριβέστερες προβλέψεις είναι απαραίτητες για την αποτελεσματική λειτουργία των σταθμών παραγωγής ηλεκτρικής ενέργειας από ΑΠΕ, καθώς και για την παροχή υψηλής ποιότητας ηλεκτρικής ενέργειας στις πιο προσιτές τιμές και την ασφαλή και σταθερή λειτουργία των ηλεκτρικών δικτύων. Στην παρούσα μελέτη εφαρμόστηκαν τέσσερις αλγόριθμοι βαθιάς μηχανικής μάθησης (ML), δηλαδή CNN πολλαπλών κεφαλών, υβριδικό κβαντικό CNN πολλαπλών κεφαλών, CNN πολλαπλών καναλιών και LSTM κωδικοποιητή-αποκωδικοποιητή για την εκτίμηση της μεσοπρόθεσμης (24 ώρες μπροστά) ταχύτητας του ανέμου χρησιμοποιώντας ένα σύνολο δεδομένων μετρήσεων σε πραγματικό χρόνο.
Γράφτηκε από τους Κωνσταντίνο Μπλαζάκη, Γιάννη Κατσιγιάννη, Νικόλαο Σχετάκη και το μέλος του AI Catalyst Γιώργο Σταυρακάκη. Περισσότερα εδώ!
Τα μέλη μας αποδείχθηκαν εξέχουσα δύναμη στον εν λόγω τομέα. Έτσι, ενθαρρύνουμε την ευρύτερη κοινότητα της τεχνητής νοημοσύνης να εξερευνήσει αυτές τις δημοσιεύσεις, να ασχοληθεί με το περιεχόμενο και να γιορτάσει την επιτυχία του AICatalyst συμβάλλοντας στην πρόοδο της τεχνητής νοημοσύνης!
Κλείνοντας, στρέφουμε το βλέμμα μας μπροστά με μεγάλη προσδοκία. Ο AICatalyst παραμένει αφοσιωμένος στην προώθηση της παραγωγικότητας και της δημιουργικότητας, στην επέκταση των ορίων της γνώσης! Αναμένουμε με ανυπομονησία να συνεισφέρουμε ακόμη περισσότερη έρευνα στο μέλλον, αφήνοντας έναν διαρκή αντίκτυπο σε ολόκληρο τον κλάδο. Μείνετε συντονισμένοι στην εξερεύνηση του δυναμικού κόσμου της τεχνητής νοημοσύνης!