Deep machine learning models and their life cycle management framework for multimedia data processing in news agencies (Q3056429)
Jump to navigation
Jump to search
Project Q3056429 in Latvia
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | Deep machine learning models and their life cycle management framework for multimedia data processing in news agencies |
Project Q3056429 in Latvia |
Statements
373,877.84 Euro
0 references
646,847.47 Euro
0 references
57.8 percent
0 references
1 April 2019
0 references
31 March 2022
0 references
Latvijas Universitātes Matemātikas un informātikas institūts
0 references
56°56'54.92"N, 24°7'5.30"E
0 references
56°56'55.18"N, 24°7'17.94"E
0 references
Projekta mērķis ir izstrādāt dziļās mašīnmācīšanās datu un izstrādes dzīvesciklu pārvaldības ietvaru, kā arī risināt praktiskus attēlu atpazīšanas un dabīgās valodas uzdevumus ziņu aģentūrām.Šobrīd dziļās mašīnmācīšanās sistēmas galvenokārt koncentrējas uz modeļu izstrādes un trenēšanas fāzēm, kamēr tādas lietas kā datu pārvaldība, testu rezultātu analīze un modeļu dzīvesciklu pārvaldība lielā mēra tiek ignorētas. Projektā mēs izstrādāsim ietvara prototipu, kas risinās šos uzdevumus, ieskaitot marķētu datu kopu veidošanu, lietotājam draudzīgu atbalstu treniņprocesu un hiperparametru pārvaldībai, kā arī ērtu saskarni testa rezultātu analīzei.Mūsdienās ziņu aģentūras apstrādā liela apjoma multimediju datus. Projektā tiks risināti trīs uzdevumi, kuri ir tieši saistīti ar multimediju datiem. Pirmais uzdevums ir dažādiem attēliem automatizēti izveidot attēlu aprakstus latviešu valodā. Otrs uzdevums ir izstrādāt risinājumu, kas dotam ziņu rakstam rekomendēs piemērotākos ilustrāciju kandidātus no foto arhīva. Trešais uzdevums ir automatizēt video monitoringu, lai video materiālos atpazītu tekstu no slīdošajām ziņu lentām un intervējamo personu aprakstiem.Projekta izpilde ir sadalīta divās aktivitātēs (WP). Pirmā aktivitāte (WP1) ir saistīta ar dziļās mašīnmācīšanās ietvara prototipa projektēšanu un izstrādi, otrā aktivitāte (WP2) ir saistīta ar dziļās mašīnmācīšanās modeļu trenēšanu minētajiem trīs uzdevumiem.Projekts ir starpdisciplinārs, tas tiks realizēts, sadarbojoties LUMII un LETA Inovāciju laboratorijas pētniekiem. Projekts tiks realizēts kā rūpniecisks pētījums Datoru un Informācijas zinātnes (Computer and Information Sciences, FORD 1.2) un Mediju un komunikācijas (Media and communications, FORD 5.8) jomās. Projekts ir ar saimniecisku darbību nesaistīts projekts. Projekta laikā tiks izstrādātas 6 zinātniskas publikācijas, kā arī atvērtā koda risinājumi (TRL4 līmenis) - 3 dziļās mašīnmācīšanas modeļi un 1 pārvaldības ietvara komponente.Projekta ilgums: 3 gadi (36 mēneši), no 2019. gada 1. aprīļa līdz 2022. gada 31. martam.Projekta kopējās izmaksas: 650 047.47 EUR, no kurām 598 333.91 EUR ir publiskais finansējums un 51 713.56 EUR ir privāts līdzfinansējums.Projektā paredzētā pētniecības kategorija: rūpnieciskie pētījumi 100%.Projekta vidusposms: projekta 18 mēnesis.NACE kategorija: 72.19 - Pārējo pētījumu un eksperimentālo izstrāžu veikšana dabaszinātnēs un inženierzinātnēs63.11 - Datu apstrāde, uzturēšana un ar to saistītās darbībasRIS3 ieguldījums: Projekta sagaidāmie rezultāti būs ieguldījums RIS3 izaugsmes prioritātēs 2, 4 un 6:- jaunu produktu un servisu izstrādē ar augstu pievienoto vērtību;- moderna un mūsdienu prasībām atbilstoša IKT sistēma privātajā un valsts sektorā;- zinātnes infrastruktūras attīstīšana RIS3 prioritārajos specializācijas virzienos.Atslēgas vārdi: dziļā mašīnmācīšanās, mediju datu apstrāde, dziļās mašīnmācīšanās dzīvescikla pārvaldība, metamodelēšana, ģeneratīvi tīkli. (Latvian)
0 references
The aim of the project is to develop a framework for managing deep machine learning data and development lifecycles, as well as to solve practical image recognition and natural language challenges for news agencies.Currently, deep machine learning systems mainly focus on model development and training phases, while such things as data management, analysis of test results and model lifecycle management are largely ignored. In the project we will develop a prototype framework that will address these tasks, including the development of marked datasets, user-friendly support for management of the training process and hyperparameters, as well as a convenient interface for analysing the results of the test.Nowadays news agencies process large amounts of multimedia data. The project will address three challenges directly related to multimedia data. The first task is to automate image descriptions in Latvian for various images. The second task is to develop a solution that will recommend the most suitable illustrations for the given news article candidates from the photo archive. The third task is to automate video monitoring to recognise text from sliding message tapes and descriptions of persons interviewed in video materials.The project execution is divided into two activities (WP). The first activity (WP1) is related to the design and development of the prototype of the Deep Machine Learning Framework; the second activity (WP2) is related to the training of deep machine learning models in these three tasks.The project is interdisciplinary and will be implemented in collaboration with researchers of LUMII and LETA Innovation Laboratory. The project will be implemented as an industrial research in the fields of Computer and Information Sciences (ForD 1.2) and Media and Communications (ForD 5.8). The project is a non-economic project. During the project 6 scientific publications will be developed, as well as open source solutions (TRL4 level) – 3 deep machine learning models and 1 management framework component. 3 years (36 months), from 1 April 2019 to 31 March 2022.Project total cost: EUR 650047.47, of which EUR 598333.91 is public funding and EUR 51713.56 is private co-financing. Industrial research 100 %.In the middle phase of the project: Project 18 month.NACE category: 72.19 – Other research and experimental development in natural sciences and engineering63.11 – Data processing, maintenance and related activitiesRIS3 contribution: The expected results of the project will be contribution to RIS3 growth priorities 2, 4 and 6:- development of new products and services with high added value;- modern and modern ICT system in private and public sectors;- development of scientific infrastructure in RIS3 priority directions. Deep machine learning, media data processing, deep machine learning lifestyle management, methamodelation, generative networks. (English)
15 July 2021
0.7153502343766314
0 references
Le projet vise à développer un cadre de gestion du cycle de vie des données d’apprentissage automatique profond et du développement, ainsi qu’à aborder la reconnaissance pratique des images et les tâches liées au langage naturel pour les agences de presse. Actuellement, les systèmes d’apprentissage automatique profond se concentrent principalement sur le développement de modèles et les phases de formation, tandis que des éléments tels que la gestion des données, l’analyse des résultats des tests et la gestion du cycle de vie des modèles sont largement ignorés. Dans le projet, nous allons développer un prototype de cadre qui traitera de ces tâches, y compris la création d’ensembles de données marqués, un support convivial pour la gestion des processus de formation et des hyperparamètres, ainsi qu’une interface pratique pour l’analyse des résultats des tests. Aujourd’hui, les agences de presse traitent des données multimédias à grande échelle. Le projet abordera trois défis directement liés aux données multimédias. La première tâche consiste à créer automatiquement des descriptions d’images en letton pour différentes images. La deuxième tâche consiste à développer une solution qui recommandera les candidats d’illustration les plus appropriés à partir de l’archive photo pour l’article de presse. La troisième tâche consiste à automatiser la surveillance vidéo afin de reconnaître le texte contenu dans les documents vidéo provenant des bandes de nouvelles mobiles et des descriptions des personnes à interviewer. L’exécution du projet est divisée en deux activités (WP). La première activité (WP1) est liée à la conception et au développement d’un prototype de cadre d’apprentissage automatique profond, la seconde (WP2) est liée à la formation de modèles d’apprentissage automatique profond pour ces trois tâches. Le projet est interdisciplinaire et sera mis en œuvre par le biais d’une collaboration entre les chercheurs LUMII et LETA Innovation Laboratory. Le projet sera mis en œuvre en tant que recherche industrielle dans les domaines de l’informatique et de l’information (FORD 1.2) et des médias et des communications (ForD 5.8). Le projet est un projet non économique. Au cours du projet, 6 publications scientifiques ainsi que des solutions open source (niveau TRL4) seront développées — 3 modèles d’apprentissage automatique profond et 1 élément du cadre de gestion. 3 ans (36 mois), du 1er avril 2019 au 31 mars 2022.Le coût total du projet: 650 047,47 EUR, dont 598 333,91 EUR de financement public et 51 713,56 EUR de cofinancement privé. recherche industrielle 100 %.Etape intermédiaire du projet: 18 mois.Catégorie NACE: 72.19 — Autres activités de recherche et de développement expérimental en sciences naturelles et en génie63.11 — Informatique, maintenance et activités connexes Contribution RIS3: Les résultats escomptés du projet contribueront aux priorités 2, 4 et 6 de croissance RIS3:- le développement de nouveaux produits et services à forte valeur ajoutée;- le système moderne et moderne des TIC dans le secteur privé et public;- le développement d’infrastructures scientifiques dans les domaines de spécialisation prioritaires RIS3. apprentissage automatique profond, traitement des données des médias, gestion du cycle de vie de l’apprentissage machine profond, métamodélisation, réseaux génératifs. (French)
25 November 2021
0 references
Das Projekt zielt darauf ab, ein tiefes Machine Learning Data und Entwicklungs Lifecycle Management Framework zu entwickeln, sowie praktische Bilderkennung und natürliche Sprachaufgaben für Nachrichtenagenturen anzugehen. Derzeit konzentrieren sich Deep Machine Learning Systeme hauptsächlich auf Modellentwicklungs- und Trainingsphasen, während Dinge wie Datenmanagement, Analyse von Testergebnissen und Modelllebenszyklusmanagement weitgehend ignoriert werden. Im Projekt werden wir einen Rahmenprototyp entwickeln, der diese Aufgaben angehen wird, darunter die Erstellung markierter Datensätze, die benutzerfreundliche Unterstützung bei der Verwaltung von Trainingsprozessen und Hyperparametern sowie eine komfortable Schnittstelle für die Analyse von Testergebnissen. Heute verarbeiten Nachrichtenagenturen groß angelegte Multimediadaten. Im Rahmen des Projekts werden drei Herausforderungen angegangen, die direkt mit Multimedia-Daten zusammenhängen. Die erste Aufgabe ist es, automatisch Bildbeschreibungen in Lettisch für verschiedene Bilder zu erstellen. Die zweite Aufgabe ist es, eine Lösung zu entwickeln, die die am besten geeigneten Illustrationskandidaten aus dem Fotoarchiv für den News-Artikel empfehlen wird. Die dritte Aufgabe besteht darin, die Videoüberwachung zu automatisieren, um Text in Videomaterialien von bewegten Nachrichtenbändern und Beschreibungen der zu interviewenden Personen zu erkennen.Die Durchführung des Projekts ist in zwei Aktivitäten (WP) unterteilt. Die erste Aktivität (WP1) bezieht sich auf die Konzeption und Entwicklung eines Prototyps eines Deep Machine Learning Frameworks, die zweite Aktivität (WP2) bezieht sich auf die Ausbildung von Deep Machine Learning-Modellen für diese drei Aufgaben. Das Projekt ist interdisziplinär und wird durch Zusammenarbeit zwischen LUMII und LETA Innovation Laboratory durchgeführt. Das Projekt wird als industrielle Forschung in den Bereichen Informatik und Informationswissenschaften (FORD 1.2) und Medien und Kommunikation (ForD 5.8) durchgeführt. Das Projekt ist ein nichtwirtschaftliches Projekt. Im Rahmen des Projekts werden 6 wissenschaftliche Publikationen sowie Open-Source-Lösungen (TRL4-Ebene) entwickelt – 3 Deep Machine Learning-Modelle und eine Management-Framework-Komponente. 3 Jahre (36 Monate), vom 1. April 2019 bis zum 31. März 2022.Die Gesamtkosten des Projekts: 650 047,47 EUR, davon 598 333,91 EUR öffentliche Mittel und 51 713,56 EUR private Kofinanzierung. industrielle Forschung 100 %.Zwischenphase des Projekts: 18 Monate.NACE Kategorie: 72.19 – Sonstige Forschung und experimentelle Entwicklung in den Natur- und Ingenieurwissenschaften63.11 – Datenverarbeitung, Wartung und damit zusammenhängende Tätigkeiten RIS3 Beitrag: Die erwarteten Ergebnisse des Projekts werden zu den RIS3-Wachstumsprioritäten 2, 4 und 6 beitragen:- Entwicklung neuer Produkte und Dienstleistungen mit hohem Mehrwert;- modernes und modernes IKT-System im privaten und öffentlichen Sektor;- Entwicklung wissenschaftlicher Infrastruktur in RIS3-Schwerpunktbereichen der Spezialisierung. Deep Machine Learning, Media Data Processing, Deep Machine Learning Lifecycle Management, Metamodeling, generative Netzwerke. (German)
28 November 2021
0 references
Het project is gericht op het ontwikkelen van een deep machine learning data en development lifecycle management framework, evenals het aanpakken van praktische beeldherkenning en natuurlijke taaltaken voor nieuwsagentschappen. Momenteel richten deep machine learning systemen zich voornamelijk op modelontwikkeling en trainingsfasen, terwijl zaken als datamanagement, analyse van testresultaten en model lifecycle management grotendeels worden genegeerd. In het project zullen we een kaderprototype ontwikkelen dat deze taken zal aanpakken, waaronder het creëren van gemarkeerde datasets, gebruiksvriendelijke ondersteuning voor het beheer van trainingsprocessen en hyperparameters, evenals een handige interface voor het analyseren van testresultaten. Vandaag verwerken nieuwsagentschappen grootschalige multimediagegevens. Het project zal drie uitdagingen aanpakken die rechtstreeks verband houden met multimediagegevens. De eerste taak is om automatisch beeldbeschrijvingen in het Lets voor verschillende afbeeldingen te maken. De tweede taak is het ontwikkelen van een oplossing die de meest geschikte illustratiekandidaten uit het fotoarchief voor het nieuwsartikel zal aanbevelen. De derde taak is het automatiseren van videobewaking om tekst in videomateriaal te herkennen van bewegende nieuwsbanden en beschrijvingen van te interviewen personen.De uitvoering van het project is verdeeld in twee activiteiten (WP). De eerste activiteit (WP1) houdt verband met het ontwerp en de ontwikkeling van een prototype van een deep machine learning framework, de tweede activiteit (WP2) houdt verband met de opleiding van deep machine learning modellen voor deze drie taken. Het project is interdisciplinair en zal worden uitgevoerd door samenwerking tussen LUMII en LETA Innovation Laboratory onderzoekers. Het project zal worden uitgevoerd als industrieel onderzoek op het gebied van computer- en informatiewetenschappen (FORD 1.2) en media en communicatie (ForD 5.8). Het project is een niet-economisch project. Tijdens het project zullen 6 wetenschappelijke publicaties en open source-oplossingen (TRL4-niveau) worden ontwikkeld — 3 diepe machine learning-modellen en 1 component beheerskader. 3 jaar (36 maanden), van 1 april 2019 tot en met 31 maart 2022.De totale kosten van het project: 650 047,47 EUR, waarvan 598 333,91 EUR overheidsfinanciering en 51 713,56 EUR particuliere medefinanciering. industrieel onderzoek 100 %.Intermediate fase van het project: 18 maand.NACE categorie: 72.19 — Overig onderzoek en experimentele ontwikkeling op het gebied van natuurwetenschappen en engineering63.11 — Gegevensverwerking, -onderhoud en aanverwante activiteiten RIS3-bijdrage: De verwachte resultaten van het project zullen bijdragen tot de groeiprioriteiten 2, 4 en 6 van RIS3:- ontwikkeling van nieuwe producten en diensten met een hoge toegevoegde waarde;- modern en modern ICT-systeem in de particuliere en publieke sector;- ontwikkeling van wetenschappelijke infrastructuur op prioritaire specialisatiegebieden van RIS3. deep machine learning, media data processing, deep machine learning lifecycle management, metamodeling, generatieve netwerken. (Dutch)
28 November 2021
0 references
Il progetto mira a sviluppare un quadro di gestione del ciclo di vita dei dati di apprendimento automatico profondo e dello sviluppo, nonché ad affrontare il riconoscimento pratico delle immagini e le attività di linguaggio naturale per le agenzie di stampa. Attualmente, i sistemi di apprendimento automatico profondi si concentrano principalmente sulle fasi di sviluppo del modello e di formazione, mentre cose come la gestione dei dati, l'analisi dei risultati dei test e la gestione del ciclo di vita del modello sono in gran parte ignorate. Nel progetto svilupperemo un prototipo quadro che affronterà questi compiti, tra cui la creazione di set di dati marcati, un supporto di facile utilizzo per la gestione di processi di formazione e iperparametri, nonché una comoda interfaccia per l'analisi dei risultati dei test. Oggi, le agenzie di stampa elaborano dati multimediali su larga scala. Il progetto affronterà tre sfide direttamente connesse ai dati multimediali. Il primo compito è creare automaticamente le descrizioni delle immagini in lettone per diverse immagini. Il secondo compito è quello di sviluppare una soluzione che raccomandi i candidati illustrativi più adatti dall'archivio fotografico per l'articolo di notizie. Il terzo compito è quello di automatizzare il monitoraggio video al fine di riconoscere il testo in materiale video da nastri di notizie in movimento e le descrizioni delle persone da intervistare. L'esecuzione del progetto è suddivisa in due attività (WP). La prima attività (WP1) riguarda la progettazione e lo sviluppo di un prototipo di un quadro di apprendimento automatico profondo, la seconda attività (WP2) è legata alla formazione di modelli di apprendimento automatico profondo per questi tre compiti. Il progetto è interdisciplinare e sarà attuato attraverso la collaborazione tra i ricercatori LUMII e LETA Innovation Laboratory. Il progetto sarà realizzato come ricerca industriale nei settori dell'informatica e delle scienze dell'informazione (FORD 1.2) e dei media e delle comunicazioni (ForD 5.8). Il progetto è un progetto non economico. Durante il progetto saranno sviluppate 6 pubblicazioni scientifiche e soluzioni open source (livello TRL4) — 3 modelli di apprendimento automatico profondo e 1 componente del quadro di gestione. 3 anni (36 mesi), dal 1º aprile 2019 al 31 marzo 2022.Il costo totale del progetto: 650 047,47 EUR, di cui 598 333,91 EUR sono finanziamenti pubblici e 51 713,56 EUR sono cofinanziamenti privati. ricerca industriale al 100 %.Fase intermedia del progetto: Categoria 18 mesi.NACE: 72.19 — Altre attività di ricerca e sviluppo sperimentale nel settore delle scienze naturali e dell'ingegneria63.11 — Trattamento dei dati, manutenzione e attività correlate contributo RIS3: I risultati attesi del progetto contribuiranno alle priorità di crescita 2, 4 e 6 delle RIS3:- sviluppo di nuovi prodotti e servizi ad alto valore aggiunto;- sistema TIC moderno e moderno nel settore privato e pubblico;- sviluppo di infrastrutture scientifiche nei settori prioritari RIS3 di specializzazione. apprendimento automatico profondo, elaborazione di dati multimediali, gestione del ciclo di vita dell'apprendimento automatico profondo, metamodellazione, reti generative. (Italian)
11 January 2022
0 references
Actualmente, los sistemas de aprendizaje automático profundos se centran principalmente en el desarrollo de modelos y fases de formación, mientras que cosas como la gestión de datos, el análisis de los resultados de las pruebas y la gestión del ciclo de vida del modelo se ignoran en gran medida. En el proyecto desarrollaremos un prototipo marco que abordará estas tareas, incluyendo la creación de conjuntos de datos marcados, soporte fácil de usar para la gestión de procesos de formación e hiperparámetros, así como una interfaz conveniente para el análisis de los resultados de las pruebas. Hoy, las agencias de noticias procesan datos multimedia a gran escala. El proyecto abordará tres retos directamente relacionados con los datos multimedia. La primera tarea es crear automáticamente descripciones de imágenes en letón para diferentes imágenes. La segunda tarea es desarrollar una solución que recomiende a los candidatos de ilustración más adecuados del archivo fotográfico para el artículo de noticias. La tercera tarea es automatizar la monitorización de vídeo con el fin de reconocer el texto en los materiales de vídeo de las cintas de noticias en movimiento y descripciones de las personas a entrevistar.La ejecución del proyecto se divide en dos actividades (WP). La primera actividad (WP1) está relacionada con el diseño y desarrollo de un prototipo de un marco de aprendizaje automático profundo, la segunda actividad (WP2) está relacionada con la formación de modelos de aprendizaje automático profundo para estas tres tareas. El proyecto es interdisciplinario y se ejecutará a través de la colaboración entre los investigadores de LUMII y LETA Innovation Laboratory. El proyecto se ejecutará como investigación industrial en los ámbitos de la informática y las ciencias de la información (FORD 1.2) y los medios de comunicación y las comunicaciones (ForD 5.8). El proyecto es un proyecto no económico. Durante el proyecto se desarrollarán 6 publicaciones científicas, así como soluciones de código abierto (nivel TRL4): 3 modelos de aprendizaje automático profundo y 1 componente del marco de gestión. 3 años (36 meses), del 1 de abril de 2019 al 31 de marzo de 2022.El coste total del proyecto: 650 047,47 EUR, de los cuales 598 333,91 EUR son fondos públicos y 51 713,56 EUR son cofinanciación privada. investigación industrial 100 %. Etapa intermedia del proyecto: Categoría de 18 meses.NACE: 72.19 — Otras investigaciones y desarrollo experimental en ciencias naturales e ingeniería63.11 — Procesamiento de datos, mantenimiento y actividades conexas Los resultados esperados del proyecto contribuirán a las prioridades de crecimiento 2, 4 y 6 de RIS3:- desarrollo de nuevos productos y servicios de alto valor añadido;- sistema de TIC moderno y moderno en el sector privado y público;- desarrollo de infraestructura científica en las áreas prioritarias de especialización RIS3. aprendizaje automático profundo, procesamiento de datos de medios, gestión del ciclo de vida del aprendizaje automático profundo, metamodelación, redes generativas. (Spanish)
12 January 2022
0 references
Projekti eesmärk on töötada välja raamistik sügavate masinõppeandmete ja arengutsüklite haldamiseks ning lahendada uudisteagentuuride praktilisi kujutiste äratundmist ja loomulikke keeleprobleeme.Praegu keskenduvad sügavad masinõppesüsteemid peamiselt mudeli väljatöötamisele ja koolituse etappidele, samal ajal kui selliseid asju nagu andmehaldus, katsetulemuste analüüs ja mudeli elutsükli juhtimine on suures osas tähelepanuta jäetud. Projektis arendame välja prototüübi raamistiku, mis käsitleb neid ülesandeid, sealhulgas märgistatud andmekogumite väljatöötamist, kasutajasõbralikku tuge koolitusprotsessi ja hüperparameetrite juhtimiseks ning mugavat liidest testi tulemuste analüüsimiseks. Tänapäeval töötlevad uudisteagentuurid suures koguses multimeediaandmeid. Projekt käsitleb kolme otseselt multimeediaandmetega seotud probleemi. Esimene ülesanne on automatiseerida erinevate piltide kirjeldusi läti keeles. Teine ülesanne on töötada välja lahendus, mis soovitab kõige sobivamaid illustratsioone antud uudisteartikli kandidaatidele fotoarhiivist. Kolmas ülesanne on videovalve automatiseerimine, et ära tunda videomaterjalides küsitletud isikute libistades sõnumilinte ja kirjeldusi. Projekti elluviimine on jagatud kaheks tegevuseks (WP). Esimene tegevus (WP1) on seotud süvamasina õppe raamistiku prototüübi kavandamise ja arendamisega; teine tegevus (WP2) on seotud sügavate masinõppe mudelite koolitamisega nendes kolmes ülesandes. Projekt on interdistsiplinaarne ja viiakse ellu koostöös LUMII ja LETA innovatsioonilabori teadlastega. Projekti rakendatakse rakendusuuringutena arvuti- ja infoteaduste (ForD 1.2) ning meedia ja kommunikatsiooni (ForD 5.8) valdkonnas. Projekt on mittemajanduslik projekt. Projekti käigus töötatakse välja 6 teadusväljaannet, samuti avatud lähtekoodiga lahendused (TRL4 tase) – kolm süvamasinõppe mudelit ja 1 juhtimisraamistiku komponent. 3 aastat (36 kuud), alates 1. aprillist 2019 kuni 31. märtsini 2022.Projekt kogumaksumus: 650047,47 eurot, millest 598333,91 eurot on riiklik rahastamine ja 51713,56 eurot erasektori kaasrahastamine. Rakendusuuringud 100 %.Projekti kesketapis: Projekt 18 kuud.NACE kategooria: 72.19 – Muu teadus- ja tootearendus loodus- ja inseneriteaduste valdkonnas63.11 – Andmetöötlus, -hooldus ja sellega seotud tegevusRIS3 panus: Projekti oodatavad tulemused on panus RIS3 majanduskasvu prioriteetidesse 2, 4 ja 6: uute kõrge lisandväärtusega toodete ja teenuste arendamine;- kaasaegne ja kaasaegne info- ja kommunikatsioonitehnoloogia süsteem era- ja avalikus sektoris;- teadustaristu arendamine RIS3 prioriteetsetes suundades. Sügav masinõpe, meediaandmete töötlemine, sügav masinõppe elustiili haldamine, metamodellatsioon, generatiivsed võrgustikud. (Estonian)
3 August 2022
0 references
Projekto tikslas yra sukurti sistemą, skirtą valdyti giliuosius mašinų mokymosi duomenis ir plėtros gyvavimo ciklus, taip pat spręsti praktinį įvaizdžio atpažinimą ir natūralios kalbos iššūkius naujienų agentūroms. Šiuo metu gilios mašinų mokymosi sistemos daugiausia orientuotos į modelių kūrimo ir mokymo etapus, o tokie dalykai kaip duomenų valdymas, bandymų rezultatų analizė ir modelio gyvavimo ciklo valdymas iš esmės yra ignoruojami. Projekte mes parengsime prototipų sistemą, kuri spręs šias užduotis, įskaitant pažymėtų duomenų rinkinių kūrimą, patogią paramą mokymo proceso valdymui ir hiperparametrams, taip pat patogią sąsają testo rezultatų analizei. Šiandien naujienų agentūros apdoroja didelius kiekius daugialypės terpės duomenų. Įgyvendinant projektą bus sprendžiami trys tiesiogiai su daugialypės terpės duomenimis susiję uždaviniai. Pirmoji užduotis – automatizuoti įvairių vaizdų vaizdų aprašymus latvių kalba. Antroji užduotis yra sukurti sprendimą, kuris rekomenduos tinkamiausias iliustracijas tam tikriems naujienų straipsnio kandidatams iš nuotraukų archyvo. Trečioji užduotis – automatizuoti vaizdo stebėjimą, kad būtų galima atpažinti tekstą iš stumdomų pranešimų juostų ir vaizdo medžiagoje apklaustų asmenų aprašymų. Projekto vykdymas suskirstytas į dvi veiklos rūšis (WP). Pirmoji veikla (WP1) yra susijusi su Deep Machine Learning Framework prototipo projektavimu ir kūrimu; antroji veikla (WP2) yra susijusi su giliųjų mašinų mokymosi modelių mokymu vykdant šias tris užduotis. Projektas yra tarpdisciplininis ir bus įgyvendinamas bendradarbiaujant su LUMII ir LETA inovacijų laboratorijos tyrėjais. Projektas bus įgyvendinamas kaip pramoninis tyrimas kompiuterių ir informacijos mokslų (ForD 1.2) bei žiniasklaidos ir ryšių (ForD 5.8) srityse. Projektas yra neekonominis projektas. Projekto metu bus parengtos 6 mokslinės publikacijos, taip pat atvirojo kodo sprendimai (TRL4 lygis) – 3 gilaus mašininio mokymosi modeliai ir 1 valdymo sistemos komponentas. 3 metai (36 mėnesiai), nuo 2019 m. balandžio 1 d. iki 2022 m. kovo 31 d. 650 047,47 EUR, iš kurių 598 333,91 EUR yra viešasis finansavimas, o 51 713,56 EUR – privatus bendras finansavimas. Pramoniniai tyrimai 100 %. Viduriniame projekto etape: Projekto 18 mėn.NACE kategorija: 72.19 – Kiti gamtos mokslų ir inžinerijos moksliniai tyrimai ir eksperimentinė taikomoji veikla63.11 – Duomenų apdorojimas, priežiūra ir susijusi veiklaRIS3 indėlis: Tikimasi, kad projekto rezultatai padės įgyvendinti 2, 4 ir 6 RIS3 augimo prioritetus: naujų produktų ir paslaugų, turinčių didelę pridėtinę vertę, kūrimas; moderni ir moderni IRT sistema privačiajame ir viešajame sektoriuose; mokslinės infrastruktūros plėtra RIS3 prioritetinėse kryptyse. Gilus mašinų mokymasis, žiniasklaidos duomenų apdorojimas, gilus mašinų mokymosi gyvenimo būdo valdymas, metamodeliacija, generaciniai tinklai. (Lithuanian)
3 August 2022
0 references
Cilj projekta je razvoj okvira za upravljanje dubokim podacima strojnog učenja i razvojnim životnim ciklusima, kao i rješavanje praktičnog prepoznavanja slika i izazova prirodnog jezika za novinske agencije. Trenutno se sustavi dubokog strojnog učenja uglavnom usredotočuju na faze razvoja modela i treninga, dok se u velikoj mjeri zanemaruju stvari kao što su upravljanje podacima, analiza rezultata ispitivanja i upravljanje životnim ciklusom modela. U projektu ćemo razviti prototipni okvir koji će se baviti tim zadacima, uključujući razvoj označenih skupova podataka, korisničku podršku za upravljanje procesom obuke i hiperparametarima, kao i prikladno sučelje za analizu rezultata testa.Danas novinske agencije obrađuju velike količine multimedijskih podataka. Projektom će se obuhvatiti tri izazova izravno povezana s multimedijskim podacima. Prvi zadatak je automatizirati opise slika na latvijskom za različite slike. Drugi zadatak je razviti rješenje koje će preporučiti najprikladnije ilustracije za kandidate iz foto arhive. Treći zadatak je automatizirati video nadzor kako bi se prepoznali tekst iz klizne trake poruka i opisi osoba intervjuiranih u video materijalima. Izvedba projekta podijeljena je u dvije aktivnosti (WP). Prva aktivnost (WP1) povezana je s projektiranjem i razvojem prototipa okvira za duboko strojno učenje; druga aktivnost (WP2) povezana je s izobrazbom modela dubokog strojnog učenja u ova tri zadatka. Projekt je interdisciplinaran i provodit će se u suradnji s istraživačima LUMII i LETA Inovacijskog laboratorija. Projekt će se provoditi kao industrijsko istraživanje u području računalnih i informacijskih znanosti (ForD 1.2) te medija i komunikacija (ForD 5.8). Projekt je negospodarski projekt. Tijekom projekta razvit će se 6 znanstvenih publikacija, kao i rješenja otvorenog koda (razina TRL4) – 3 modela dubokog strojnog učenja i jedna komponenta okvira upravljanja. 3 godine (36 mjeseci), od 1. travnja 2019. do 31. ožujka 2022.Ukupni trošak projekta: 650 047,47 EUR, od čega je 598 333,91 EUR javno financiranje, a 51 713,56 EUR privatno sufinanciranje. Industrijska istraživanja 100 %.U srednjoj fazi projekta: Projekt 18 mjeseci.NACE kategorija: 72.19 – Ostalo istraživanje i eksperimentalni razvoj u prirodnim znanostima i inženjerstvu63.11 – Obrada podataka, održavanje i povezane aktivnostiRIS3 doprinos: Očekivani rezultati projekta bit će doprinos prioritetima rasta RIS3 2, 4 i 6:- razvoju novih proizvoda i usluga s visokom dodanom vrijednošću;- modernom i modernom ICT sustavu u privatnom i javnom sektoru;- razvoju znanstvene infrastrukture u prioritetnim RIS3 smjerovima. Duboko strojno učenje, obrada medijskih podataka, upravljanje načinom života dubokog strojnog učenja, metamodelacija, generativna mreža. (Croatian)
3 August 2022
0 references
Στόχος του έργου είναι η ανάπτυξη ενός πλαισίου για τη διαχείριση των βαθιών δεδομένων μηχανικής μάθησης και του κύκλου ζωής της ανάπτυξης, καθώς και η επίλυση πρακτικών προβλημάτων αναγνώρισης εικόνας και φυσικών γλωσσικών προκλήσεων για τα ειδησεογραφικά πρακτορεία.Σήμερα, τα βαθιά συστήματα μηχανικής μάθησης επικεντρώνονται κυρίως στις φάσεις ανάπτυξης μοντέλων και κατάρτισης, ενώ τα πράγματα όπως η διαχείριση δεδομένων, η ανάλυση των αποτελεσμάτων των δοκιμών και η διαχείριση του κύκλου ζωής των μοντέλων αγνοούνται σε μεγάλο βαθμό. Στο έργο θα αναπτύξουμε ένα πρωτότυπο πλαίσιο που θα καλύπτει αυτές τις εργασίες, συμπεριλαμβανομένης της ανάπτυξης σημαδεμένων συνόλων δεδομένων, φιλική προς το χρήστη υποστήριξη για τη διαχείριση της διαδικασίας κατάρτισης και υπερπαραμέτρων, καθώς και μια κατάλληλη διεπαφή για την ανάλυση των αποτελεσμάτων του test. Σήμερα τα ειδησεογραφικά πρακτορεία επεξεργάζονται μεγάλες ποσότητες δεδομένων πολυμέσων. Το σχέδιο θα αντιμετωπίσει τρεις προκλήσεις που σχετίζονται άμεσα με τα δεδομένα πολυμέσων. Το πρώτο καθήκον είναι η αυτοματοποίηση περιγραφών εικόνων στα λετονικά για διάφορες εικόνες. Το δεύτερο έργο είναι η ανάπτυξη μιας λύσης που θα προτείνει τις καταλληλότερες εικονογραφήσεις για τους υποψηφίους του συγκεκριμένου άρθρου ειδήσεων από το φωτογραφικό αρχείο. Το τρίτο καθήκον είναι να αυτοματοποιήσει την παρακολούθηση βίντεο για να αναγνωρίσει κείμενο από κασέτες συρόμενων μηνυμάτων και περιγραφές των ερωτηθέντων σε βίντεο υλικό.Η εκτέλεση του έργου χωρίζεται σε δύο δραστηριότητες (WP). Η πρώτη δραστηριότητα (WP1) σχετίζεται με τον σχεδιασμό και την ανάπτυξη του πρωτοτύπου του πλαισίου βαθιάς μηχανικής μάθησης· η δεύτερη δραστηριότητα (WP2) σχετίζεται με την κατάρτιση μοντέλων βαθιάς μηχανικής μάθησης σε αυτά τα τρία καθήκοντα. Το έργο είναι διεπιστημονικό και θα υλοποιηθεί σε συνεργασία με ερευνητές του LUMII και του εργαστηρίου καινοτομίας LETA. Το έργο θα υλοποιηθεί ως βιομηχανική έρευνα στους τομείς της Πληροφορικής και των Επιστημών της Πληροφορίας (ForD 1.2) και των Μέσων Ενημέρωσης και Επικοινωνιών (ForD 5.8). Το έργο είναι ένα μη οικονομικό έργο. Κατά τη διάρκεια του έργου θα αναπτυχθούν 6 επιστημονικές δημοσιεύσεις, καθώς και λύσεις ανοικτού κώδικα (επίπεδο TRL4) — 3 βαθιά μοντέλα μηχανικής μάθησης και 1 συνιστώσα πλαισίου διαχείρισης. 3 έτη (36 μήνες), από την 1η Απριλίου 2019 έως τις 31 Μαρτίου 2022.Συνολικό κόστος έργου: 650 047,47 EUR, εκ των οποίων 598 333,91 EUR είναι δημόσια χρηματοδότηση και 51 713,56 EUR είναι ιδιωτική συγχρηματοδότηση. Βιομηχανική έρευνα 100 %.Στη μέση φάση του έργου: Έργο 18 month. Κατηγορία NACE: 72.19 — Άλλες δραστηριότητες έρευνας και πειραματικής ανάπτυξης στις φυσικές επιστήμες και τη μηχανική63.11 — Επεξεργασία δεδομένων, συντήρηση και συναφείς δραστηριότητες Τα αναμενόμενα αποτελέσματα του έργου θα είναι η συμβολή στις αναπτυξιακές προτεραιότητες 2, 4 και 6 των RIS3:- ανάπτυξη νέων προϊόντων και υπηρεσιών με υψηλή προστιθέμενη αξία- σύγχρονο και σύγχρονο σύστημα ΤΠΕ στον ιδιωτικό και δημόσιο τομέα·- ανάπτυξη επιστημονικών υποδομών σε κατευθύνσεις προτεραιότητας RIS3. Βαθιά μηχανική μάθηση, επεξεργασία δεδομένων μέσων ενημέρωσης, διαχείριση τρόπου ζωής βαθιάς μηχανικής μάθησης, μεταδεδόμηση, δίκτυα δημιουργίας. (Greek)
3 August 2022
0 references
Cieľom projektu je vytvoriť rámec pre správu dát hlbokého strojového učenia a životného cyklu vývoja, ako aj riešiť praktické rozpoznávanie obrazu a prirodzené jazykové výzvy pre spravodajské agentúry. V súčasnosti sa systémy hlbokého strojového učenia zameriavajú najmä na vývoj modelov a fázy odbornej prípravy, zatiaľ čo také veci, ako je správa dát, analýza výsledkov testov a riadenie životného cyklu modelu, sa vo veľkej miere ignorujú. V projekte vyvinieme prototypový rámec, ktorý sa bude zaoberať týmito úlohami, vrátane vývoja označených súborov údajov, užívateľsky prívetivej podpory riadenia tréningového procesu a hyperparametrov, ako aj vhodného rozhrania pre analýzu výsledkov testu.V súčasnosti spravodajské agentúry spracúvajú veľké množstvo multimediálnych dát. Projekt bude riešiť tri výzvy, ktoré priamo súvisia s multimediálnymi údajmi. Prvou úlohou je automatizovať popisy obrázkov v lotyštine pre rôzne obrázky. Druhou úlohou je vyvinúť riešenie, ktoré odporučí najvhodnejšie ilustrácie pre daný novinový článok kandidátov z archívu fotografií. Treťou úlohou je automatizovať monitorovanie videa s cieľom rozpoznať text zo posuvných pások správ a popisy osôb, s ktorými sa viedli rozhovory vo videomateriáloch. Vykonávanie projektu je rozdelené na dve aktivity (WP). Prvá činnosť (WP1) súvisí s návrhom a vývojom prototypu rámca hlbokého strojového učenia; druhá činnosť (WP2) súvisí s odbornou prípravou modelov hĺbkového strojového učenia v týchto troch úlohách. Projekt je interdisciplinárny a bude sa realizovať v spolupráci s výskumnými pracovníkmi inovačného laboratória LUMII a LETA. Projekt sa bude realizovať ako priemyselný výskum v oblasti počítačových a informačných vied (ForD 1.2) a médií a komunikácií (ForD 5.8). Projekt je nehospodársky projekt. Počas projektu sa vyvinie 6 vedeckých publikácií, ako aj open source riešenia (úroveň TRL4) – 3 modely hĺbkového strojového učenia a 1 zložka rámca riadenia. 3 roky (36 mesiacov), od 1. apríla 2019 do 31. marca 2022. Celkové náklady projektu: 650 047,47 EUR, z toho 598 333,91 EUR je verejné financovanie a 51 713,56 EUR je súkromné spolufinancovanie. Priemyselný výskum 100 %.V strednej fáze projektu: Projekt 18 mesiacov. Kategória NACE: 72.19 – Iný výskum a experimentálny vývoj v oblasti prírodných vied a inžinierstva63.11 – Spracovanie, údržba údajov a súvisiace činnostiRIS3: Očakávanými výsledkami projektu bude príspevok k prioritám rastu RIS3, 4 a 6:- vývoj nových produktov a služieb s vysokou pridanou hodnotou;- moderný a moderný systém IKT v súkromnom a verejnom sektore;- rozvoj vedeckej infraštruktúry v prioritných smeroch RIS3. Hlboké strojové učenie, spracovanie mediálnych dát, riadenie hlbokého strojového učenia životného štýlu, methamodelácia, generatívne siete. (Slovak)
3 August 2022
0 references
Hankkeen tavoitteena on kehittää puitteet syvän koneoppimisen datan ja kehityksen elinkaaren hallintaan sekä ratkaista käytännön kuvantunnistuksen ja luonnollisen kielen haasteita uutistoimistoille. Tällä hetkellä syvä koneoppimisjärjestelmät keskittyvät pääasiassa mallien kehittämiseen ja koulutusvaiheisiin, kun taas tiedonhallinta, testitulosten analysointi ja mallin elinkaaren hallinta jäävät suurelta osin huomiotta. Hankkeessa kehitämme prototyyppikehyksen, joka käsittelee näitä tehtäviä, mukaan lukien merkittyjen tietoaineistojen kehittäminen, käyttäjäystävällinen tuki koulutusprosessin ja hyperparametrien hallintaan sekä kätevä käyttöliittymä testin tulosten analysointiin.Nykyisin uutistoimistot käsittelevät suuria määriä multimediadataa. Hankkeessa käsitellään kolmea suoraan multimediadataan liittyvää haastetta. Ensimmäinen tehtävä on automatisoida kuvaukset latviaksi eri kuville. Toinen tehtävä on kehittää ratkaisu, joka suosittelee sopivimpia kuvia tietyn uutisartikkelin ehdokkaille valokuva-arkistosta. Kolmas tehtävä on automatisoida videovalvonta tunnistamaan teksti liukuvista viestinauhoista ja videomateriaaleissa haastatelluista henkilöistä. Hankkeen toteutus on jaettu kahteen toimintoon (WP). Ensimmäinen toiminto (WP1) liittyy pitkälle menevän koneoppimiskehyksen prototyypin suunnitteluun ja kehittämiseen. toinen toiminto (WP2) liittyy syväoppimismallien kouluttamiseen näissä kolmessa tehtävässä. Hanke on poikkitieteellinen ja toteutetaan yhteistyössä LUMII:n ja LETA Innovation Laboratoryn tutkijoiden kanssa. Hanke toteutetaan teollisena tutkimuksena tieto- ja viestintätekniikan (ForD 1.2) ja media- ja viestintäalan (lomake D 5.8) aloilla. Hanke on muu kuin taloudellinen hanke. Hankkeen aikana kehitetään 6 tieteellistä julkaisua sekä avoimen lähdekoodin ratkaisuja (TRL4-taso) – 3 syväoppimismallia ja yksi hallintakehyskomponentti. 3 vuotta (36 kuukautta), 1. huhtikuuta 2019–31. maaliskuuta 2022.Projektin kokonaiskustannukset: 650047,47 euroa, josta 598333,91 euroa on julkista rahoitusta ja 51713,56 euroa yksityistä yhteisrahoitusta. Teollinen tutkimus 100 %. Hankkeen keskivaiheessa: Hanke 18 kuukautta.NACE-luokka: 72.19 – Muu luonnontieteiden ja insinööritieteiden tutkimus ja kokeellinen kehittäminen63.11 – Tietojen käsittely, ylläpito ja niihin liittyvät toimetRIS3-rahoitus: Hankkeen odotetuilla tuloksilla edistetään RIS3-strategian kasvun painopisteitä 2, 4 ja 6: – sellaisten uusien tuotteiden ja palvelujen kehittämistä, joilla on korkea lisäarvo; – nykyaikainen ja nykyaikainen tieto- ja viestintätekniikkajärjestelmä yksityisellä ja julkisella sektorilla;- tieteellisen infrastruktuurin kehittäminen RIS3-strategioiden ensisijaisiin suuntiin. Syvä koneoppiminen, mediatietojen käsittely, syvä koneoppiminen elämäntapojen hallinta, metamodelaatio, generatiiviset verkot. (Finnish)
3 August 2022
0 references
Celem projektu jest opracowanie ram zarządzania danymi głębokiego uczenia maszynowego i cyklami rozwoju, a także rozwiązanie praktycznych problemów rozpoznawania wizerunku i naturalnych języków dla agencji informacyjnych. Obecnie systemy głębokiego uczenia maszynowego koncentrują się głównie na fazie opracowywania modeli i szkoleń, podczas gdy takie kwestie jak zarządzanie danymi, analiza wyników testów i zarządzanie cyklem życia modelu są w dużej mierze ignorowane. W ramach projektu opracujemy ramy prototypowe, które zajmą się tymi zadaniami, w tym opracowanie oznaczonych zbiorów danych, przyjazne dla użytkownika wsparcie dla zarządzania procesem szkoleniowym i hiperparametrami, a także wygodny interfejs do analizy wyników testu. Obecnie agencje informacyjne przetwarzają duże ilości danych multimedialnych. W ramach projektu uwzględnione zostaną trzy wyzwania bezpośrednio związane z danymi multimedialnymi. Pierwszym zadaniem jest automatyzacja opisów obrazów w języku łotewskim dla różnych obrazów. Drugim zadaniem jest opracowanie rozwiązania, które zarekomenduje najbardziej odpowiednie ilustracje dla kandydatów na dany artykuł z archiwum fotograficznego. Trzecim zadaniem jest automatyzacja monitoringu wideo w celu rozpoznawania tekstu z przesuwnych taśm wiadomości i opisów osób przesłuchiwanych w materiałach wideo.Realizacja projektu jest podzielona na dwa działania (WP). Pierwsze działanie (WP1) jest związane z projektowaniem i rozwojem prototypu ram głębokiego uczenia się maszyn; drugie działanie (WP2) związane jest ze szkoleniem modeli głębokiego uczenia maszynowego w ramach tych trzech zadań. Projekt jest interdyscyplinarny i będzie realizowany we współpracy z badaczami LUMII i LETA Innovation Laboratory. Projekt będzie realizowany jako badania przemysłowe w dziedzinie informatyki i informatyki (ForD 1.2) oraz mediów i komunikacji (ForD 5.8). Projekt jest projektem niegospodarczym. W trakcie projektu opracowane zostaną 6 publikacji naukowych, a także rozwiązania open source (poziom TRL4) – 3 modele głębokiego uczenia maszynowego i 1 komponent ram zarządzania. 3 lata (36 miesięcy), od dnia 1 kwietnia 2019 r. do dnia 31 marca 2022 r.Koszt całkowity projektu: 650 047,47 EUR, z czego 598 333,91 EUR stanowi finansowanie publiczne, a 51 713,56 EUR – współfinansowanie prywatne. Badania przemysłowe 100 %.W środkowej fazie projektu: Projekt 18 miesięcy.Kategoria NACE: 72.19 – Inne badania i eksperymentalne prace rozwojowe w dziedzinie nauk przyrodniczych i inżynierii63.11 – Przetwarzanie danych, konserwacja i działania pokrewneRIS3: Oczekiwane rezultaty projektu będą stanowić wkład w realizację priorytetów RIS3 dotyczących wzrostu 2, 4 i 6: – rozwój nowych produktów i usług o wysokiej wartości dodanej;- nowoczesny i nowoczesny system ICT w sektorze prywatnym i publicznym;- rozwój infrastruktury naukowej w priorytetowych kierunkach RIS3. Głębokie uczenie maszynowe, przetwarzanie danych multimedialnych, zarządzanie trybem życia głębokiego uczenia maszynowego, methamodelacja, sieci generatywne. (Polish)
3 August 2022
0 references
A projekt célja, hogy keretet dolgozzon ki a mély gépi tanulási adatok és a fejlesztési életciklusok kezelésére, valamint hogy megoldja a hírügynökségek számára a képfelismerést és a természetes nyelvi kihívásokat. Jelenleg a mély gépi tanulási rendszerek elsősorban a modellfejlesztési és képzési szakaszokra összpontosítanak, míg az adatkezelést, a teszteredmények elemzését és a modell életciklus-menedzsmentjét nagymértékben figyelmen kívül hagyják. A projektben kidolgozunk egy prototípus keretrendszert, amely foglalkozik ezekkel a feladatokkal, beleértve a megjelölt adatkészletek fejlesztését, a képzési folyamat és a hiperparaméterek kezelésének felhasználóbarát támogatását, valamint egy kényelmes felületet a teszt eredményeinek elemzéséhez.Napjainkban a hírügynökségek nagy mennyiségű multimédiás adatot dolgoznak fel. A projekt a multimédiás adatokhoz közvetlenül kapcsolódó három kihívással foglalkozik. Az első feladat a lett képleírások automatizálása a különböző képekhez. A második feladat egy olyan megoldás kidolgozása, amely a legmegfelelőbb illusztrációkat ajánlja az adott hírcikk jelöltjeinek a fotóarchívumból. A harmadik feladat a videomegfigyelés automatizálása, hogy felismerje a szöveget a csúszó üzenetszalagokról és a videoanyagokban megkérdezett személyek leírásáról.A projekt végrehajtása két tevékenységre oszlik (WP). Az első tevékenység (WP1) a Mélygépi Tanulási Keretrendszer prototípusának tervezéséhez és fejlesztéséhez kapcsolódik; a második tevékenység (WP2) a mélygépi tanulási modellek képzéséhez kapcsolódik e három feladathoz.A projekt interdiszciplináris, és a LUMII és a LETA Innovációs Laboratórium kutatóival együttműködve kerül végrehajtásra. A projektet ipari kutatásként hajtják végre a Számítástechnika és Informatikai Tudományok (ForD 1.2) és a Média és Kommunikáció (ForD 5.8) területén. A projekt nem gazdasági jellegű projekt. A projekt során 6 tudományos publikációt, valamint nyílt forráskódú megoldásokat (TRL4 szint) fejlesztenek ki – 3 mélygépi tanulási modell és 1 irányítási keretkomponens. 3 év (36 hónap), 2019. április 1-jétől 2022. március 31-ig.A projekt összköltsége: 650 047,47 EUR, amelyből 598 333,91 EUR közfinanszírozás, 51 713,56 EUR pedig magán társfinanszírozás. Ipari kutatás 100%.A projekt középső szakaszában: Projekt 18 hónap.NACE kategória: 72.19 – Egyéb természettudományi és mérnöki kutatás és kísérleti fejlesztés63.11 – Adatfeldolgozás, -karbantartás és kapcsolódó tevékenységekRIS3 hozzájárulás: A projekt várható eredményei a következők: hozzájárulás a RIS3 2., 4. és 6. növekedési prioritásához: – magas hozzáadott értékkel bíró új termékek és szolgáltatások kifejlesztése; – modern és modern IKT-rendszer a magán- és a közszférában;- a tudományos infrastruktúra fejlesztése a RIS3 kiemelt irányaiban. Mély gépi tanulás, médiaadat-feldolgozás, mély gépi tanulási életmód menedzsment, methamodelation, generatív hálózatok. (Hungarian)
3 August 2022
0 references
Cílem projektu je vytvořit rámec pro správu dat hlubokého strojového učení a vývojových cyklů, jakož i vyřešit praktické rozpoznávání obrazu a přirozené jazykové výzvy pro zpravodajské agentury. V současné době se systémy hlubokého strojového učení zaměřují především na vývoj modelů a fázi školení, zatímco věci, jako je správa dat, analýza výsledků testů a řízení životního cyklu modelů, jsou do značné míry ignorovány. V rámci projektu vyvineme prototypový rámec, který bude tyto úkoly řešit, včetně vývoje označených datových souborů, uživatelsky přívětivé podpory pro řízení tréninkového procesu a hyperparametrů, stejně jako pohodlné rozhraní pro analýzu výsledků testu.V současné době zpravodajské agentury zpracovávají velké množství multimediálních dat. Projekt se bude zabývat třemi výzvami přímo souvisejícími s multimediálními údaji. Prvním úkolem je automatizovat popisy obrázků v lotyštině pro různé obrázky. Druhým úkolem je vyvinout řešení, které doporučí nejvhodnější ilustrace pro daný zpravodajský článek z archivu fotografií. Třetím úkolem je automatizovat video monitoring pro rozpoznání textu z posuvných pásek zpráv a popisů osob dotazovaných ve videomateriálech.Provádění projektu je rozděleno do dvou činností (WP). První činnost (WP1) souvisí s návrhem a vývojem prototypu rámce pro hluboké strojové učení; druhá činnost (WP2) se týká školení modelů hlubokého strojového učení v těchto třech úkolech. Projekt je interdisciplinární a bude realizován ve spolupráci s výzkumnými pracovníky LUMII a LETA Innovation Laboratory. Projekt bude realizován jako průmyslový výzkum v oblasti informatiky a informačních věd (ForD 1.2) a médií a komunikací (ForD 5.8). Projekt je nehospodářský projekt. Během projektu bude vyvinuto 6 vědeckých publikací a řešení s otevřeným zdrojovým kódem (úroveň TRL4) – 3 modely hlubokého strojového učení a 1 složka rámce pro řízení. 3 roky (36 měsíců), od 1. dubna 2019 do 31. března 2022.Celkové náklady projektu: 650 047,47 EUR, z čehož 598 333,91 EUR je financováno z veřejných zdrojů a 51 713,56 EUR je soukromým spolufinancováním. Průmyslový výzkum 100 %. Ve střední fázi projektu: Projekt 18 měsíc. Kategorie NACE: 72.19 – Ostatní výzkum a experimentální vývoj v přírodních vědách a inženýrství63.11 – Zpracování dat, údržba a související činnosti Očekávané výsledky projektu přispějí k prioritám růstu RIS3 2, 4 a 6:- vývoj nových produktů a služeb s vysokou přidanou hodnotou;- moderní a moderní systém IKT v soukromém a veřejném sektoru;- rozvoj vědecké infrastruktury v prioritních směrech RIS3. Hluboké strojové učení, zpracování dat v médiích, řízení životního stylu hlubokého strojového učení, methamodelace, generativní sítě. (Czech)
3 August 2022
0 references
Is é aidhm an tionscadail creat a fhorbairt chun sonraí domhainfhoghlama agus saolréanna forbartha a bhainistiú, chomh maith le haitheantas praiticiúil íomhánna agus dúshláin teanga nádúrtha do ghníomhaireachtaí nuachta a réiteach. Sa tionscadal, forbróimid creat fréamhshamhlacha a thabharfaidh aghaidh ar na tascanna seo, lena n-áirítear tacair sonraí marcáilte a fhorbairt, tacaíocht atá éasca le húsáid chun an próiseas oiliúna agus hipearpharaiméadair a bhainistiú, chomh maith le comhéadan áisiúil chun anailís a dhéanamh ar thorthaí na tástála. Tabharfaidh an tionscadal aghaidh ar thrí dhúshlán a bhaineann go díreach le sonraí ilmheán. Is é an chéad tasc ná uathoibriú a dhéanamh ar thuairiscí íomhá sa Laitvis le haghaidh íomhánna éagsúla. Is é an dara tasc ná réiteach a fhorbairt a mholfaidh na léaráidí is oiriúnaí d’iarrthóirí an ailt nuachta a thugtar sa chartlann grianghraf. Is é an tríú tasc ná monatóireacht físe a uathoibriú chun téacs a aithint ó théipeanna teachtaireachta sleamhnáin agus cur síos ar dhaoine a chuirtear faoi agallamh in ábhair físe. Baineann an chéad ghníomhaíocht (WP1) le dearadh agus forbairt fhréamhshamhail an Chreata Deep Machine Learning; baineann an dara gníomhaíocht (WP2) le samhlacha domhainfhoghlama meaisínfhoghlama a oiliúint sna trí thasc seo.Tá an tionscadal idirdhisciplíneach agus cuirfear chun feidhme é i gcomhar le taighdeoirí LUMII agus Saotharlainne Nuálaíochta LETA. Cuirfear an tionscadal i bhfeidhm mar thaighde tionsclaíoch i réimsí na Ríomheolaíochtaí agus na nEolaíochtaí Faisnéise (Ford 1.2) agus na Meán agus na Cumarsáide (Ford 5.8). Is tionscadal neamheacnamaíoch é an tionscadal. Le linn an tionscadail, forbrófar 6 fhoilseachán eolaíocha, chomh maith le réitigh foinse oscailte (leibhéal L4) — 3 mhúnla domhain-mheaisínfhoghlama agus comhpháirt amháin den chreat bainistíochta. 3 bliana (36 mhí), ón 1 Aibreán 2019 go dtí an 31 Márta 2022.Costas iomlán an tionscadail: EUR 650047.47, ar maoiniú poiblí EUR 598333.91 de agus is cómhaoiniú príobháideach é EUR 51713.56. Taighde tionsclaíoch 100 %.I lár an tionscadail: Tionscadal 18 mí.NACE catagóir: 72.19 — Taighde eile agus forbairt thurgnamhach sna heolaíochtaí nádúrtha agus san innealtóireacht63.11 — Próiseáil sonraí, gníomhaíochtaí cothabhála agus gníomhaíochtaí gaolmharaRIS3 rannchuidiú: Cuirfidh na torthaí a bhfuiltear ag súil leo ón tionscadal le tosaíochtaí fáis RIS3 2, 4 agus 6:- forbairt táirgí agus seirbhísí nua a bhfuil breisluach ard ag baint leo;- córas TFC nua-aimseartha agus nua-aimseartha in earnálacha príobháideacha agus poiblí;- bonneagar eolaíochta a fhorbairt i dtreonna tosaíochta RIS3. Meaisínfhoghlaim dhomhain, próiseáil sonraí sna meáin, bainistíocht domhain ar stíl mhaireachtála meaisín, meitioltóireacht, líonraí giniúna. (Irish)
3 August 2022
0 references
Cilj projekta je razviti okvir za upravljanje globokih podatkov o strojnem učenju in razvojnih življenjskih ciklov ter rešiti praktično prepoznavanje slik in naravne jezikovne izzive za tiskovne agencije. Trenutno se sistemi globokega strojnega učenja osredotočajo predvsem na razvoj modelov in faze usposabljanja, medtem ko so stvari, kot so upravljanje podatkov, analiza rezultatov testov in upravljanje življenjskega cikla modela, v veliki meri prezrte. V projektu bomo razvili prototipni okvir, ki bo obravnaval te naloge, vključno z razvojem označenih podatkovnih nizov, uporabniku prijazno podporo za vodenje izobraževalnega procesa in hiperparametrov, kot tudi priročen vmesnik za analizo rezultatov testa. Novice agencije obdelujejo velike količine multimedijskih podatkov. Projekt bo obravnaval tri izzive, neposredno povezane z multimedijskimi podatki. Prva naloga je avtomatizacija opisov slik v latvijščini za različne slike. Druga naloga je razviti rešitev, ki bo priporočila najprimernejše ilustracije za dane novičarske kandidate iz arhiva fotografij. Tretja naloga je avtomatizacija video monitoringa za prepoznavanje besedila iz drsnih sporočilnih trakov in opisov oseb, s katerimi so bili opravljeni razgovori v video materialih. Izvedba projekta je razdeljena na dve dejavnosti (WP). Prva dejavnost (WP1) je povezana z zasnovo in razvojem prototipa okvira globokega strojnega učenja; druga dejavnost (WP2) je povezana z usposabljanjem globokih modelov strojnega učenja pri teh treh nalogah. Projekt je interdisciplinaren in se bo izvajal v sodelovanju z raziskovalci LUMII in LETA Innovation Laboratory. Projekt se bo izvajal kot industrijska raziskava na področju računalništva in informatike (ForD 1.2) ter medijev in komunikacij (ForD 5.8). Projekt je negospodarski projekt. V okviru projekta bo razvitih 6 znanstvenih publikacij in odprtokodnih rešitev (raven TRL4) – 3 modeli globokega strojnega učenja in 1 komponenta okvira upravljanja. 3 leta (36 mesecev), od 1. aprila 2019 do 31. marca 2022.Skupni stroški projekta: 650 047,47 EUR, od tega je 598 333,91 EUR javno financiranje, 51 713,56 EUR pa zasebno sofinanciranje. Industrijske raziskave 100 %.V srednji fazi projekta: Projekt 18 mesecev.NACE kategorija: 72.19 – Druge raziskave in eksperimentalni razvoj na področju naravoslovja in inženirstva63.11 – Obdelava podatkov, vzdrževanje in sorodne dejavnosti PrispevekRIS3: Pričakovani rezultati projekta bodo prispevali k prednostnim nalogam rasti RIS3 2, 4 in 6:- razvoju novih proizvodov in storitev z visoko dodano vrednostjo;- sodobnemu in sodobnemu sistemu IKT v zasebnem in javnem sektorju;- razvoju znanstvene infrastrukture v prednostnih smereh RIS3. Globoko strojno učenje, obdelava podatkov medijev, upravljanje življenjskega sloga globokega strojnega učenja, metahamodelacija, generativna omrežja. (Slovenian)
3 August 2022
0 references
Целта на проекта е да се разработи рамка за управление на дълбоките данни за машинно самообучение и жизнения цикъл на разработката, както и да се решат практическите разпознаване на изображения и предизвикателствата на естествения език за новинарските агенции.В момента системите за задълбочено машинно самообучение се фокусират главно върху разработването на модели и фазите на обучение, докато такива неща като управление на данни, анализ на резултатите от тестовете и управление на жизнения цикъл на модела до голяма степен се пренебрегват. В проекта ще разработим прототипна рамка, която ще отговори на тези задачи, включително разработването на маркирани набори от данни, лесна за използване поддръжка за управление на процеса на обучение и хиперпараметрите, както и удобен интерфейс за анализ на резултатите от теста.В днешно време новинарските агенции обработват големи количества мултимедийни данни. Проектът ще разгледа три предизвикателства, пряко свързани с мултимедийни данни. Първата задача е да се автоматизират описанията на изображения на латвийски език за различни изображения. Втората задача е да се разработи решение, което ще препоръча най-подходящите илюстрации за дадените новинарски статии кандидати от фотоархив. Третата задача е да се автоматизира видеонаблюдението, за да се разпознае текст от плъзгащи се ленти за съобщения и описания на лица, интервюирани във видеоматериали. Изпълнението на проекта е разделено на две дейности (РП). Първата дейност (РП1) е свързана с проектирането и разработването на прототипа на рамката за задълбочено машинно обучение; втората дейност (РП2) е свързана с обучението на модели за задълбочено машинно самообучение в тези три задачи. Проектът е интердисциплинарен и ще бъде реализиран в сътрудничество с изследователи от LUMII и LETA Innovation Laboratory. Проектът ще бъде реализиран като промишлено изследване в областта на компютърните и информационните науки (ForD 1.2) и медиите и комуникациите (ForD 5.8). Проектът е неикономически проект. По време на проекта ще бъдат разработени 6 научни публикации, както и решения с отворен код (равнище TRL4) — 3 модела за задълбочено машинно самообучение и 1 компонент на рамка за управление. 3 години (36 месеца), от 1 април 2019 г. до 31 март 2022 г. Обща стойност на проекта: 650 047,47 EUR, от които 598 333,91 EUR са публично финансиране, а 51 713,56 EUR — частно съфинансиране. Индустриални изследвания 100 %.В средната фаза на проекта: Проект 18 месеца.NACE категория: 72.19 — Други научни изследвания и експериментална развойна дейност в областта на естествените науки и инженерство63.11 — Принос за обработка на данни, поддръжка и свързани с тях дейности пoRIS3: Очакваните резултати от проекта ще бъдат принос към приоритетите на RIS3 за растеж 2, 4 и 6: разработване на нови продукти и услуги с висока добавена стойност;- модерна и модерна ИКТ система в частния и публичния сектор;- развитие на научна инфраструктура в приоритетните направления на RIS3. Дълбоко машинно самообучение, обработка на медийни данни, дълбоко машинно самообучение, управление на начина на живот, метамоделация, генеративни мрежи. (Bulgarian)
3 August 2022
0 references
L-għan tal-proġett huwa li jiżviluppa qafas għall-ġestjoni ta’ data profonda dwar it-tagħlim awtomatiku u ċikli ta’ ħajja tal-iżvilupp, kif ukoll li jsolvi r-rikonoxximent prattiku tal-immaġni u l-isfidi naturali tal-lingwa għall-aġenziji tal-aħbarijiet. Bħalissa, is-sistemi ta’ tagħlim awtomatiku fil-fond jiffokaw prinċipalment fuq il-fażijiet tal-iżvilupp u t-taħriġ tal-mudelli, filwaqt li affarijiet bħall-ġestjoni tad-data, l-analiżi tar-riżultati tat-testijiet u l-ġestjoni taċ-ċiklu tal-ħajja tal-mudell huma fil-biċċa l-kbira injorati. Fil-proġett se niżviluppaw qafas ta’ prototip li se jindirizza dawn il-kompiti, inkluż l-iżvilupp ta’ settijiet ta’ data mmarkati, appoġġ faċli għall-utent għall-ġestjoni tal-proċess ta’ taħriġ u l-iperparametri, kif ukoll interfaċċja konvenjenti għall-analiżi tar-riżultati tat-test.Illum l-aġenziji tal-aħbarijiet jipproċessaw ammonti kbar ta’ data multimedjali. Il-proġett se jindirizza tliet sfidi direttament relatati mad-dejta multimedjali. L-ewwel kompitu huwa li jiġu awtomatizzati d-deskrizzjonijiet tal-immaġni bil-Latvjan għal diversi immaġnijiet. It-tieni kompitu huwa li tiżviluppa soluzzjoni li se jirrakkomanda l-illustrazzjonijiet aktar xierqa għall-kandidati artiklu aħbarijiet mogħtija mill-arkivju ritratt. It-tielet kompitu huwa li jiġi awtomatizzat il-monitoraġġ tal-vidjo biex jiġi rikonoxxut it-test minn tejps tal-messaġġi li jiżżerżqu u deskrizzjonijiet ta’ persuni intervistati f’materjali vidjo.L-eżekuzzjoni tal-proġett hija maqsuma f’żewġ attivitajiet (WP). L-ewwel attività (WP1) hija relatata mat-tfassil u l-iżvilupp tal-prototip tal-Qafas ta’ Tagħlim Profond għall-Magni; it-tieni attività (WP2) hija relatata mat-taħriġ ta’ mudelli ta’ tagħlim awtomatiku profond f’dawn it-tliet kompiti. Il-proġett huwa interdixxiplinari u se jiġi implimentat f’kollaborazzjoni ma’ riċerkaturi ta’ LUMII u LETA Laboratorju ta’ Innovazzjoni. Il-proġett se jiġi implimentat bħala riċerka industrijali fl-oqsma tax-Xjenzi tal-Kompjuter u l-Informazzjoni (ForD 1.2) u l-Midja u l-Komunikazzjoni (ForD 5.8). Il-proġett huwa proġett mhux ekonomiku. Matul il-proġett se jiġu żviluppati 6 pubblikazzjonijiet xjentifiċi, kif ukoll soluzzjonijiet b’sors miftuħ (livell TRL4) — 3 mudelli ta’ tagħlim awtomatiku fil-fond u komponent wieħed ta’ qafas ta’ ġestjoni. 3 snin (36 xahar), mill-1 ta’ April 2019 sal-31 ta’ Marzu 2022.Spiża totali tal-proġett: EUR 650047.47, li minnhom EUR 598333.91 huma finanzjament pubbliku u EUR 51713.56 huma kofinanzjament privat. Riċerka industrijali 100 %.Fil-fażi tan-nofs tal-proġett: Kategorija NACE tal-proġett 18-il xahar: 72.19 — Riċerka u żvilupp sperimentali oħra fix-xjenzi naturali u l-inġinerija63.11 — L-ipproċessar tad-data, il-manutenzjoni u attivitajiet relatati KontribuzzjoniRIS3: Ir-riżultati mistennija tal-proġett se jkunu l-kontribuzzjoni għall-prijoritajiet 2, 4 u 6 ta’ tkabbir tal-RIS3:- l-iżvilupp ta’ prodotti u servizzi ġodda b’valur miżjud għoli;- sistema moderna u moderna tal-ICT fis-setturi privati u pubbliċi;- l-iżvilupp ta’ infrastruttura xjentifika fid-direzzjonijiet prijoritarji tal-RIS3. Tagħlim awtomatiku fil-fond, ipproċessar tad-data tal-midja, ġestjoni tal-istil tal-ħajja ta’ tagħlim tal-magni fil-fond, methamodelation, netwerks ġenerattivi. (Maltese)
3 August 2022
0 references
O objetivo do projeto é desenvolver uma estrutura para o gerenciamento de dados de aprendizado de máquina profunda e ciclos de vida de desenvolvimento, bem como para resolver o reconhecimento prático de imagem e desafios de linguagem natural para agências de notícias. Atualmente, os sistemas de aprendizado de máquina profunda se concentram principalmente em fases de desenvolvimento de modelos e treinamento, enquanto coisas como gerenciamento de dados, análise dos resultados dos testes e gerenciamento do ciclo de vida do modelo são em grande parte ignoradas. No projeto desenvolveremos uma estrutura protótipo que abordará essas tarefas, incluindo o desenvolvimento de conjuntos de dados marcados, suporte fácil de usar para a gestão do processo de treinamento e hiperparâmetros, bem como uma interface conveniente para analisar os resultados do teste. Hoje em dia, as agências de notícias processam grandes quantidades de dados multimídia. O projeto abordará três desafios diretamente relacionados com os dados multimédia. A primeira tarefa é automatizar descrições de imagens em letão para várias imagens. A segunda tarefa é desenvolver uma solução que recomende as ilustrações mais adequadas para os candidatos do artigo de notícias do arquivo fotográfico. A terceira tarefa é automatizar o monitoramento de vídeo para reconhecer o texto de fitas de mensagens deslizantes e descrições de pessoas entrevistadas em materiais de vídeo.A execução do projeto é dividida em duas atividades (WP). A primeira atividade (WP1) está relacionada com a conceção e o desenvolvimento do protótipo do quadro de aprendizagem automática profunda; a segunda atividade (WP2) está relacionada com a formação de modelos de aprendizagem automática profunda nestas três tarefas. O projeto é interdisciplinar e será implementado em colaboração com pesquisadores do Laboratório de Inovação LUMII e LETA. O projeto será implementado como uma pesquisa industrial nas áreas de Ciência da Computação e da Informação (ForD 1.2) e Media e Comunicações (ForD 5.8). O projeto é um projeto não económico. Durante o projeto serão desenvolvidas 6 publicações científicas, bem como soluções de código aberto (nível TRL4) — 3 modelos de aprendizagem automática profunda e 1 componente de quadro de gestão. 3 anos (36 meses), de 1 de abril de 2019 a 31 de março de 2022.Custo total do projeto: 650 047,47 EUR, dos quais 598 333,91 EUR são financiamentos públicos e 51 713,56 EUR são cofinanciamentos privados. Investigação industrial 100 %.Na fase intermédia do projeto: Projeto 18 month.NACE Categoria: 72.19 — Outras atividades de investigação e desenvolvimento experimental em ciências naturais e engenharia63.11 — Processamento de dados, manutenção e atividades conexas Contribuição RIS3: Os resultados esperados do projeto contribuirão para as prioridades de crescimento 2, 4 e 6 da RIS3:- desenvolvimento de novos produtos e serviços com elevado valor acrescentado;- sistemas TIC modernos e modernos nos setores privado e público;- desenvolvimento de infraestruturas científicas em direções prioritárias RIS3. Aprendizagem de máquina profunda, processamento de dados de mídia, gerenciamento de estilo de vida de aprendizado de máquina profundo, metamodelação, redes geradoras. (Portuguese)
3 August 2022
0 references
Formålet med projektet er at udvikle en ramme for styring af dybe maskinlæringsdata og udviklingslivscyklusser samt at løse praktisk billedgenkendelse og naturlige sprogudfordringer for nyhedsbureauer. I øjeblikket fokuserer dybe maskinlæringssystemer primært på modeludviklings- og uddannelsesfaser, mens sådanne ting som datastyring, analyse af testresultater og modellivscyklusstyring stort set ignoreres. I projektet vil vi udvikle en prototyperamme, der vil løse disse opgaver, herunder udvikling af markerede datasæt, brugervenlig støtte til styring af uddannelsesprocessen og hyperparametre samt en bekvem grænseflade til analyse af resultaterne af testen.I dag behandler nyhedsbureauer store mængder multimediedata. Projektet vil behandle tre udfordringer, der er direkte forbundet med multimediedata. Den første opgave er at automatisere billedbeskrivelser på lettisk for forskellige billeder. Den anden opgave er at udvikle en løsning, der vil anbefale de mest egnede illustrationer til den givne nyhedsartikel kandidater fra fotoarkivet. Den tredje opgave er at automatisere videoovervågning for at genkende tekst fra glidende meddelelsesbånd og beskrivelser af personer, der interviewes i videomaterialer. Projektudførelsen er opdelt i to aktiviteter (WP). Den første aktivitet (WP1) vedrører udformning og udvikling af prototypen af rammen for dyb maskinindlæring. den anden aktivitet (WP2) vedrører uddannelse af dybe maskinlæringsmodeller i disse tre opgaver. Projektet er tværfagligt og vil blive gennemført i samarbejde med forskere fra LUMII og LETA Innovation Laboratory. Projektet vil blive gennemført som industriel forskning inden for datalogi og informationsvidenskab (ForD 1.2) og Medier og Kommunikation (ForD 5.8). Projektet er et ikke-økonomisk projekt. Under projektet vil der blive udviklet 6 videnskabelige publikationer samt open source-løsninger (TRL4-niveau) — 3 dybe maskinlæringsmodeller og 1 ledelsesrammekomponent. 3 år (36 måneder), fra 1. april 2019 til 31. marts 2022.Projekt samlede omkostninger: 650 047,47 EUR, hvoraf 598 333,91 EUR er offentlig finansiering, og 51 713,56 EUR er privat medfinansiering. Industriel forskning 100 %.I midten af projektet: Projekt 18 måneder.NACE-kategori: 72.19 — Anden forskning og eksperimentel udvikling inden for naturvidenskab og ingeniørvidenskab63.11 — Databehandling, -vedligeholdelse og dertil knyttede aktiviteterRIS3 bidrag: Projektets forventede resultater vil være bidrag til RIS3-vækstprioritet 2, 4 og 6:- udvikling af nye produkter og tjenesteydelser med høj merværdi- moderne og moderne IKT-system i den private og offentlige sektor- udvikling af videnskabelig infrastruktur i RIS3 prioriterede retninger. Dyb maskinlæring, mediedatabehandling, dyb maskinlæring livsstilsstyring, methamodelation, generative netværk. (Danish)
3 August 2022
0 references
Scopul proiectului este de a dezvolta un cadru pentru gestionarea datelor de învățare automată profundă și a ciclurilor de viață de dezvoltare, precum și de a rezolva recunoașterea practică a imaginii și provocările limbajului natural pentru agențiile de știri. În prezent, sistemele de învățare automată profundă se concentrează în principal pe fazele de dezvoltare și formare a modelelor, în timp ce aspecte precum gestionarea datelor, analiza rezultatelor testelor și gestionarea ciclului de viață al modelelor sunt în mare măsură ignorate. În cadrul proiectului vom dezvolta un cadru prototip care va aborda aceste sarcini, inclusiv dezvoltarea de seturi de date marcate, suport ușor de utilizat pentru gestionarea procesului de formare și hiperparametri, precum și o interfață convenabilă pentru analizarea rezultatelor testului.În zilele noastre agențiile de știri procesează cantități mari de date multimedia. Proiectul va aborda trei provocări legate direct de datele multimedia. Prima sarcină este de a automatiza descrierile imaginilor în limba letonă pentru diferite imagini. A doua sarcină este de a dezvolta o soluție care va recomanda cele mai potrivite ilustrații pentru candidații de la articolul de știri dat din arhiva foto. A treia sarcină este de a automatiza monitorizarea video pentru a recunoaște textul din casetele de mesaje glisante și descrierile persoanelor intervievate în materiale video. Execuția proiectului este împărțită în două activități (WP). Prima activitate (WP1) este legată de proiectarea și dezvoltarea prototipului Cadrului de învățare aprofundată a mașinilor; cea de-a doua activitate (WP2) este legată de formarea modelelor de învățare automată profundă în aceste trei sarcini. Proiectul este interdisciplinar și va fi implementat în colaborare cu cercetători din LUMII și LETA Innovation Laboratory. Proiectul va fi pus în aplicare ca cercetare industrială în domeniul informaticii și științelor informației (ForD 1.2) și al mass-mediei și comunicațiilor (ForD 5.8). Proiectul este un proiect non-economic. În cadrul proiectului vor fi elaborate 6 publicații științifice, precum și soluții cu sursă deschisă (nivel TRL4)-3 modele de învățare automată aprofundată și o componentă-cadru de gestionare. 3 ani (36 de luni), de la 1 aprilie 2019 până la 31 martie 2022.Costul total al proiectului: 650 047,47 EUR, din care 598 333,91 EUR reprezintă finanțare publică, iar 51 713,56 EUR reprezintă cofinanțare privată. Cercetare industrială 100 %.În faza de mijloc a proiectului: Proiectul 18 luni.Categoria NACE: 72.19 – Alte activități de cercetare și dezvoltare experimentală în domeniul științelor naturii și al ingineriei63.11 – Prelucrarea datelor, întreținerea și activitățile conexe ContribuțieRIS3: Rezultatele preconizate ale proiectului vor fi contribuția la prioritățile de creștere a RIS3 2, 4 și 6:- dezvoltarea de noi produse și servicii cu valoare adăugată ridicată;- sistem TIC modern și în sectorul privat și public;- dezvoltarea infrastructurii științifice în direcții prioritare RIS3. Învățare automată profundă, prelucrarea datelor din mass-media, managementul stilului de viață de învățare automată profundă, metamodelare, rețele generatoare. (Romanian)
3 August 2022
0 references
Syftet med projektet är att utveckla ett ramverk för hantering av djup maskininlärningsdata och utvecklingslivscykler, samt att lösa praktisk bildigenkänning och naturliga språkutmaningar för nyhetsbyråer. För närvarande fokuserar djupa maskininlärningssystem främst på modellutvecklings- och utbildningsfaser, medan sådant som datahantering, analys av testresultat och modelllivscykelhantering i stor utsträckning ignoreras. I projektet kommer vi att utveckla en prototypram som kommer att ta itu med dessa uppgifter, inklusive utveckling av markerade dataset, användarvänligt stöd för hantering av utbildningsprocessen och hyperparameter, samt ett bekvämt gränssnitt för att analysera resultaten av testet.Nowadays nyhetsbyråer behandlar stora mängder multimediedata. Projektet kommer att ta itu med tre utmaningar som är direkt kopplade till multimediedata. Den första uppgiften är att automatisera bildbeskrivningar på lettiska för olika bilder. Den andra uppgiften är att ta fram en lösning som kommer att rekommendera de mest lämpliga illustrationerna för de givna nyhetsartikelkandidaterna från fotoarkivet. Den tredje uppgiften är att automatisera videoövervakning för att känna igen text från glidande meddelandeband och beskrivningar av personer som intervjuats i videomaterial.Projektgenomförandet är uppdelat i två aktiviteter (WP). Den första verksamheten (WP1) är kopplad till utformning och utveckling av prototypen till Deep Machine Learning Framework. den andra aktiviteten (WP2) är kopplad till utbildning av djupa maskininlärningsmodeller i dessa tre uppgifter.Projektet är tvärvetenskapligt och kommer att genomföras i samarbete med forskare från LUMII och LETA Innovation Laboratory. Projektet kommer att genomföras som en industriell forskning inom områdena data- och informationsvetenskap (ForD 1.2) samt medier och kommunikation (ForD 5.8). Projektet är ett icke-ekonomiskt projekt. Under projektet kommer 6 vetenskapliga publikationer att utvecklas, samt öppna källkodslösningar (TRL4-nivå) – 3 djupmaskininlärningsmodeller och 1 förvaltningsramkomponent. 3 år (36 månader), från och med den 1 april 2019 till och med den 31 mars 2022.Projektets totala kostnad: 650 047,47 EUR, varav 598 333,91 EUR är offentliga och 51 713,56 EUR är privat medfinansiering. Industriell forskning 100 %.I projektets mittfas: Projekt 18 månader.NACE-kategori: 72.19 – Annan forskning och experimentell utveckling inom naturvetenskap och teknik63.11 – Databehandling, underhåll och därmed sammanhängande verksamhetRIS3-bidrag: De förväntade resultaten av projektet kommer att bidra till RIS3:s tillväxtprioriteringar 2, 4 och 6:- utveckling av nya produkter och tjänster med högt mervärde,- modernt och modernt IKT-system i den privata och offentliga sektorn,- utveckling av vetenskaplig infrastruktur i RIS3-prioriterade riktningar. Djup maskininlärning, mediedatabehandling, djup maskininlärning livsstilshantering, methamodelation, generativa nätverk. (Swedish)
3 August 2022
0 references
Raiņa bulvāris 29, Rīga, LV-1050
0 references
Marijas iela 2, Rīga, LV-1050
0 references
Identifiers
1.1.1.1/18/A/045
0 references