Deep learning
Onze experts ontwikkelen en trainen deep learning-modellen, waarbij ze de volledige kracht van kunstmatige intelligentie benutten om gegevens te analyseren en betrouwbare resultaten te leveren. Een recent succesverhaal is de ontwikkeling van een CE-gemarkeerd deep learning-model dat automatisch diabetische retinopathie detecteert op fundusbeelden. Dit gaat gepaard met de succesvolle indiening van twee octrooiaanvragen, wat heeft geleid tot de oprichting van het nieuwe spin-offbedrijf MONA.
Een ander voorbeeld is onze Characterise-to-Sort (CtS)-technologie, een inline karakteriseringsapparaat dat elk individueel afvaldeeltje op een transportband identificeert. VITO heeft verschillende sensoren in het toestel gecombineerd en een slim softwarepakket ontwikkeld om de scans te analyseren. De CtS-technologie geeft inzicht in de materialen die zich in een afvalstroom bevinden, waarmee de waarde van het afval kan worden bepaald en recyclageprocessen kunnen worden geoptimaliseerd.
Reinforcement learning
De kern van reinforcement learning is onafhankelijke besluitvorming. De zogenaamde agent wordt in een omgeving geplaatst, waar hij het optimale gedrag moet leren om zijn doel te bereiken en de beloning te maximaliseren.
In tegenstelling tot gesuperviseerd leren, waarbij de agent gevoed wordt met informatie, en ongesuperviseerd leren, waarbij de agent structuur vindt in complexe data, is reinforcement learning niet gebaseerd op directe voorbeelden. De beloningssignalen uit de omgeving leiden de agent in het kiezen van de optimale actie voor elke situatie.
Een klassieke toepassing voor reinforcement learning is optimalisatie voor prijs, om de kosten laag te houden. Bij VITO ontwikkelen we algoritmes voor reinforcement learning voor verschillende toepassingen, zoals peak shaving in stadsverwarmingsnetten, om de financiële en ecologische winst te maximaliseren. Reinforcement learning werd gebruikt in het nu voltooide TEMPO-project (Temperature Optimisation for Low Temperature District Heating across Europe), dat gefinancierd wordt door het Horizon 2020-programma voor onderzoek en innovatie van de Europese Unie.
Heuristiek en mathematische optimalisatie
In vergelijking met descriptive analytics (inzicht geven in het verleden en het heden) en predictive analytics (statistische modellen en machine learning om de toekomst te voorspellen), helpen heuristiek en mathematische optimalisatie (de kern van prescriptive analytics), je beslissen wat je moet doen om bedrijfsdoelstellingen te bereiken en de bedrijfsvoering te verbeteren.
Met onze MooV-service (Mobilisation & Optimisation Of Value chains) bieden wij beslissingsondersteuning bij het ontwerpen en optimaliseren van supply chains. Door geodata analytics, netwerk supply chain design en mathematische optimalisatie te combineren, creëren we een digital twin van de supply chain van een bedrijf, rekening houdend met de belangrijkste beperkingen en doelstellingen.
Op deze manier ondersteunt MooV bij het optimaliseren van je supply chain voor de beste prestaties, het simuleren van de impact van mogelijke veranderingen en kritische beslissingen (bijvoorbeeld nieuwe opslag) en het experimenteren met de impact van alternatieve strategieën (bijvoorbeeld fusies) binnen de virtuele supply chain.
Forecasting
Als onderdeel van een groter geheel draait forecasting om het maken van nauwkeurige voorspellingen en het nemen van de juiste beslissingen met beperkte informatie en datasets. Data science en AI helpen om nuttige informatie op te graven om die voorspellingen te doen en ze te blijven verbeteren.
In de toepassingsgebieden energie en gezondheid gaat VITO verder met gloednieuwe technieken die onmiddellijk kunnen worden toegepast op maatschappelijk relevante gebieden. Een lage TRL, AI-onderzoek naar valoriseerbare en toepasbare technologieën en multidisciplinariteit onderscheiden ons van het gros van het onderzoeksveld.
Een voorbeeld is ADriaN (Active Distribution Networks), een langlopende bilaterale onderzoekssamenwerking tussen Fluvius, de Vlaamse Distributienetbeheerder, en VITO/EnergyVille.
Multi-agent systems
Multi-agentsystemen doen wat wij mensen teamwork zouden noemen. Deze systemen bestaan uit autonome, maar met elkaar verbonden instanties, die werken aan een gemeenschappelijk resultaat. Het is een geval van collaborative AI, die berekeningen door verschillende partijen uitvoert zonder dat centrale controle nodig is. Een voorbeeld is de smart battery cell, ontwikkeld door VITO & EnergyVille.
Deze innovatie laat batterijen toe om de toestand van hun individuele cellen te monitoren en hun werking indien nodig aan te passen, zonder dat daarvoor een extern batterijbeheersysteem nodig is. Daarnaast is VITO betrokken bij een Flanders AI Research project rond multi-agent collaborative AI, waarbij informatiemanagement-agents intelligente mogelijkheden bieden voor persoonlijke datastores.