AI Academy

Projektet utvecklar ett system för att klassificera om patienter har tagit sin medicin. Systemet analyserar data från en så kallad IMU-enhet (Inertial Measurement Unit) som innehåller gyroskop och accelerometer. Genom att tolka sensordata kan systemet automatiskt detektera när patienter tar medicinen. Huvudsyftet är att säkerställa att patienter inom psykiatrin följer sina behandlingsplaner och tar sin medicin enligt ordination.

På längre sikt ska projektet möjliggöra djupare studier av sambandet mellan medicinering och patienters välmående genom så kallad icke-vägledd inlärning (unsupervised learning). Metoden kan ge värdefulla insikter för forskare om behandlingseffekter och beteendemönster.

AI Academy-deltagaren Arian Behtoui arbetar i det här projektet som är ett samarbete med Institutionen för biomedicinska och kliniska vetenskaper (BKV) och företaget Seber Medical.

Projektet handlar om att vidareutveckla den befintliga programvaran DyKnow, som används för att resonera kring informationsströmmar i realtid. Informationsströmmar är kontinuerliga flöden av data som kommer från olika källor, till exempel sensorer, spel eller nätverk. DyKnow analyserar dessa flöden för att dra slutsatser om vad som händer i systemet.

Målet med projektet är att ge DyKnow en ny förmåga, det vill säga att inte bara analysera data utan också utföra handlingar. Med handlingar menas att systemet kan agera baserat på sin analys – till exempel skicka ett kommando, ändra en inställning eller påverka en process i omvärlden.

Handlingarna styrs av logiska formler uttryckta i ProbSTL (Probabilistic Signal Temporal Logic), ett språk som gör det möjligt att formulera krav på informationsströmmar även när dessa krav är osäkra eller stokastiska. Stokastisk betyder just att något innehåller ett inslag av slump eller sannolikhet så det handlar om att systemet kan hantera osäkerhet i data.

AI Academy-deltagaren Leo Jarhede arbetar i projektet. För att demonstrera konceptet använder han data från realtidsstrategispelet StarCraft. DyKnow tar emot informationsströmmar från spelet, som antalet enheter eller mängden mineraler, och omvandlar dem till den typ av data som behövs för att utvärdera ProbSTL-formler.

“Om en formel visar att alla krav för att bygga en viss enhet är uppfyllda, skickas en åtgärd till spelet för att faktiskt bygga enheten,” säger Leo Jarhede.

Arbetet visar hur strömresonering kan gå från passiv analys till aktiv styrning, vilket kan få stor betydelse för framtida AI-system som behöver agera i komplexa, dynamiska miljöer.

Projektet leds av Domstolsverket i samarbete med Linköpings universitet (LiU), Totalförsvarets forskningsinstitut (FOI) och Polismyndigheten. AI Academy-deltagarna Nils Alenäs, Aleksi Maxim Andreev and Victor Lagerbring arbetar i projektet. Målet är att automatisera skyddet och anonymiseringen av känslig information i juridiska dokument.

Idag görs anonymisering, även kallad “maskning”, manuellt av jurister och administrativ personal. Det är en tidskrävande och resursintensiv process. Om den automatiseras kan det frigöra tid för juridiska experter och samtidigt göra processen snabbare, mer exakt och enhetlig mellan olika domstolar. Om projektet lyckas kan lösningen även användas av stora företag, myndigheter och försvar, vilket skulle förändra hur känslig data hanteras i samhället.

Projektet använder AI-teknik baserad på Swedish BERT, en språkmodell som är tränad för att förstå svenska texter. Den kombineras med NER (Named Entity Recognition) – en metod för att hitta specifik information i text, till exempel personnamn (PERSON), organisationer (ORG), platser (LOC) och koder. När dessa uppgifter identifierats anonymiseras de med metoder som pseudonymisering, det vill säga ersätta riktiga namn med påhittade, och formatbevarande maskning, det vill säga behålla samma struktur så att dokumentet ser naturligt ut. Om systemet är osäkert görs en manuell kontroll för att säkerställa korrekt anonymisering.

Eftersom juridiska dokument innehåller mycket konfidentiell information kommer systemet endast att användas inom varje enskild domstol. Det kommer inte att dela data mellan domstolar. AI:n tränas enbart på offentlig och syntetisk data och aldrig på verkliga domstolsärenden, för att garantera full integritet.

För att säkerställa hög kvalitet utvärderas systemet med mått som precision, recall och F1-score. Dessa är standardmått inom AI som visar hur bra systemet är på att hitta och anonymisera känslig information. Tillsammans med återkoppling från användare hjälper dessa tester till att garantera att slutprodukten blir både noggrann och pålitlig, minskar arbetsbördan och stärker rättssäkerheten.