Wykaz obszarów badawczych związanych z tagiem AI:
| # | Obszar badawczy | Dziedzina naukowa |
|---|---|---|
| 1 | Integracja systemów wiedzy i teleinformatycznych - Rozwój infrastruktury ICT jako kluczowej warstwy cywilizacyjnej spodąża w kilku podstawowych kierunkach. Na poziomie technologicznym jest to integracja coraz odleglejszych funkcjonalności, wirtualizacja, rozwój składników strukturalnych, większych i mniejszych, jak zasobów energetycznych, baz danych i centrów obliczeniowych, chmury, mgły, mobilnoci kolejnych generacji jak 6G i kwantowej, brzegu, sztucznej inteligencji i uczenia maszynowego, Internetu rzeczy, cyfrowych bliźniaków, cyberbezpieczeństwa, i wielu innych. Na poziomie infrastrukturalnym jest to zlewanie się ICT z innymi warstwami technicznymi i pozatechnicznymi cywilizacji materialnej i pozamaterialnej jak nauka i wiedza, medycyna i ochrona zdrowia, kultura, transport, budownictwo, energetyka, przemysł, bezpieczeństwo, i wiele innych. Badania dotyczą kierunków rozwoju ICT i ich integracji infrastrukturalnej. | |
| 2 |
Modelowanie, sterowanie i symulacja złożonych systemów (teleinformatyki, inżynierii finansowej, medycyny, wodno-gospodarcze itd.), komputerowe systemy wspomagania decyzji i rekomendacji, bezprzewodowe sieci sensorowe, mobilne sieci ad hoc, optymalna alokacja zasobów w sieciach teleinformatycznych i centrach obliczeniowych, programowanie równoległe i rozproszone, algorytmy optymalizacji globalnej, uczenie maszynowe i przetwarzanie Big Data, technologie blockchain, cyberbezpieczeństwo.
|
|
| 3 |
Przeważające rozwiązania stosowane w praktyce funkcjonowania systemów elektroenergetycznych sprowadzając się do mechanizmów centralnego bilansowania. Proponowany temat dotyczy złamania tego paradygmatu i rozważenia rozproszonego systemu bilansowania, z udziałem wielu agentów, o różnych, czasem sprzecznych celach. Ma to kluczowe znaczenie w świetle zachodzących zmian, wzrostu liczby źródeł rozproszonych i w konsekwencji wprowadzania przesztywnienia w systemie, pojawiania się nowych odbiorców i producentów (np. samochody elektryczne), jak również procesów demokratyzacji energetyki. Zagadnienie badawcze obejmuje rozpoznanie istniejących koncepcji bilansowania rozproszonego, krytyczną analizę (w tym metodykę oceny) oraz propozycję i zbadanie nowych mechanizmów bilansowania. Zagadnienie jest multidyscyplinarne. Dotyka elementów ekonomicznych (maksymalizacja korzyści ekonomicznych), ale również społecznych (sprawiedliwy podział kosztów bilansowania) oraz zawiera potencjał technologiczny (np. blockchain jako potencjalne rozwiązanie).
Nie jest wymagana twarda wiedza z zakresu energetyki, wymagany poziom można uzyskać w ramach realizacji doktoratu. Temat jest w dziedzinie badań operacyjnych, informatyki technicznej, ale dla osób otwartych na działania multidyscyplinarne.
|
|
| 4 |
“Machine learning-based diagnosis of spine injuries using computed tomography” Computed tomography (CT) is a crucial imaging technique in medical diagnosis and is the preferred modality for assessing spinal trauma. However, the large volume of image data generated during tomographic examinations presents significant challenges for image analysis and diagnosis. Artificial intelligence (AI) offers the potential to enhance the speed and accuracy of diagnosis in such cases. This research aims to explore the application of machine learning (ML) methods and deep neural networks (DNNs) for the automated detection of traumatic vertebral body injuries. The study will focus on classifying vertebral fractures, distinguishing between traumatic and non-traumatic cases. The learning dataset will be constructed using trauma examination records from a clinical hospital in Warsaw. These records will consist of X-ray spine tomography studies in DICOM format, annotated by experienced radiologists. The AO Spine Classification system for thoracolumbar injuries will serve as the framework for categorizing spinal fractures. To address the computational challenges posed by the high dimensionality of tomographic data (i.e., the large number of voxels per examination), methods for reducing data size will be employed. Various deep neural network architectures will be evaluated to determine their efficacy and performance in fracture classification. Furthermore, the interpretability and explainability of the developed ML-based approach will be analyzed using tools and techniques from Explainable AI (XAI). Efforts will be made to validate the reliability of the recommendations generated by the ML models, ensuring they align with clinical expertise and established diagnostic standards.
|