Descripción del proyecto
Inteligencia colectiva híbrida para apoyar la toma de decisiones en diagnósticos médicos y servicios climáticos
El equipo del proyecto HACID, financiado con fondos europeos, desarrolla una inteligencia colectiva híbrida basada en la sinergia entre personas y máquinas a fin de encontrar soluciones a problemas abiertos del mundo real. Las soluciones a dichos problemas no se limitan a un conjunto restringido de alternativas, y abarcan muchos ámbitos del conocimiento. El equipo de HACID examinará una nueva metodología que reúna a expertos y la representación del conocimiento basada en inteligencia artificial con el objetivo de crear nuevas herramientas para la toma de decisiones. De este modo, se estudiarán dos casos prácticos. El primero abordará la fragmentación del conocimiento en medicina, lo que ayudará a los profesionales médicos a realizar diagnósticos más precisos. El segundo apoyará a los responsables políticos a fin de definir estrategias de adaptación urbana para hacer frente a las futuras repercusiones del cambio climático.
Objetivo
HACID develops a novel hybrid collective intelligence for decision support to professionals facing complex open-ended problems, promoting engagement, fairness and trust. A decision support system (HACID-DSS) is proposed that is based on structured domain knowledge, semi-automatically assembled in a domain knowledge graph (DKG) from available data sources, such as scientific and gray literature. Given a specific case within the addressed domain, a pool of experts is consulted to (i) extract supporting evidence and enrich it, generating a case knowledge graph (CKG) as a subset of the DKG, and (ii) provide one or more solutions to the problem. Exploiting the CKG, the HACID-DSS gathers the expert advice in a collective solution that aggregates the individual opinions and expands them with machine-generated suggestions. In this way, HACID harnesses the wisdom of the crowd in open-ended problems, relying on a traceable process based on supporting evidence for better explainability. A set of evaluation methods is proposed to deal with domains where ground truth is not available, demonstrating the suitability of the proposed approach in a wide range of application domains. Demonstrations are provided in two compelling case studies contributing to the UN Sustainable Development Goals: crowd-sourcing medical diagnostics and climate services for urban adaptation.
Programa(s)
Convocatoria de propuestas
HORIZON-CL4-2021-DIGITAL-EMERGING-01
Consulte otros proyectos de esta convocatoriaRégimen de financiación
HORIZON-IA - HORIZON Innovation ActionsCoordinador
00185 Roma
Italia