Nasze badania
Katedra Sztucznej Inteligencji WSIiZ prowadzi badania w zakresie opracowywania nowych metod eksploracji danych, ze szczególnym uwzględnieniem problemów wynikających z nieprecyzyjności, niepełności oraz niepewności informacji. Rozwija metody wielostrategicznego modelowania wiedzy, jej arytmetyki oraz analizy interrelacyjnych zależności, integrując podejścia rozmyte i przybliżone. Opracowuje również nowe metody ilościowej i jakościowej oceny obrazów biomedycznych, łącząc techniki matematyczne, statystyczne oraz uczenie maszynowe, w szczególności głębokie sieci neuronowe, w celu zapewnienia obiektywnej oraz automatycznej klasyfikacji obrazów pochodzących z różnych technik diagnostycznych. Uwzględniając przy tym interpretowalność modeli, wyjaśnienie podejmowanych decyzji oraz użyteczność opracowanych modeli, w kontekście praktycznych zastosowań.
Kontakt: tmroczek@wsiz.edu.pl
Zespoły badawcze
Integracja psychologii i sztucznej inteligencji w przeciwdziałaniu wypaleniu zawodowemu
Wypalenie zawodowe to złożony syndrom wynikający z długotrwałego i nieefektywnie zarządzanego stresu w miejscu pracy, który prowadzi do stopniowego wyczerpania zasobów emocjonalnych, psychicznych i fizycznych pracownika. Zjawisko to zostało oficjalnie uznane przez Światową Organizację Zdrowia (WHO) i włączone do Międzynarodowej Klasyfikacji Chorób (ICD-11) jako zespół związany z pracą zawodową.
Wypalenie zawodowe ma istotny wpływ zarówno na zdrowie psychiczne, jak i fizyczne jednostki. Może prowadzić do zaburzeń lękowych, depresyjnych, problemów ze snem, obniżonej odporności czy chorób sercowo-naczyniowych. W wymiarze społecznym i organizacyjnym skutkuje obniżeniem efektywności pracy, wzrostem absencji oraz fluktuacji kadr.
Z uwagi na rosnącą częstość występowania wypalenia zawodowego oraz jego poważne konsekwencje dla funkcjonowania jednostek i instytucji, zjawisko to stało się przedmiotem intensywnych badań psychologicznych, socjologicznych i medycznych. Wciąż jednak brakuje kompleksowego systemu informatycznego, który umożliwiałby automatyczne rozpoznawanie symptomów wypalenia zawodowego oraz generowanie kontekstowych rekomendacji prozdrowotnych dostosowanych do indywidualnych potrzeb użytkownika. Zastosowanie sztucznej inteligencji w tym obszarze stwarza perspektywę opracowania nowoczesnych narzędzi wspierających monitorowanie dobrostanu psychicznego, umożliwiających wczesne wykrywanie ryzyka wypalenia i wdrażanie spersonalizowanych działań profilaktycznych.
Zespół badawczy:
dr hab. Agnieszka Jastrzębska prof. KUL
dr hab. Małgorzata Przybyła-Kasperek, prof. UŚ
dr Dorota Pyrsak, UŚ
dr Zofia Matusiewcz, WSIiZ
dr hab. inż. Teresa Mroczek, prof. WSIiZ
Afazja – język odzyskany
Nowa perspektywa, w której mowa afatyczna traktowana jest jako odrębny, nowy system językowy („nowy język”), otwiera drogę do głębszego zrozumienia mechanizmów adaptacyjnych mózgu i kreatywności językowej człowieka. Ujęcie to pozwala dostrzec w komunikacji osób z afazją wartość semiotyczną i ekspresyjną, a nie tylko zaburzenie.
Systemy oparte na AI mogą pełnić funkcję interakcyjnych asystentów komunikacyjnych, którzy uczą się sposobu mówienia konkretnej osoby i pomagają jej w codziennej komunikacji, np. poprzez przewidywanie intencji, uzupełnianie wypowiedzi czy tłumaczenie „nowego języka” na formy bardziej zrozumiałe dla otoczenia.
W szerszej perspektywie wykorzystanie AI w tym obszarze sprzyja zmianie paradygmatu myślenia o afazji z medycznego (deficytowego) na językoznawczo-humanistyczny i inkluzywny. Pozwala traktować mowę osób z afazją jako pełnoprawny sposób komunikacji, który można badać, opisywać i wspierać technologicznie, zamiast próbować go „naprawiać”.
Takie podejście ma również wymiar etyczny i społeczny, gdyż promuje podmiotowe traktowanie osób z afazją, uznając ich język za autentyczny środek ekspresji, a nie za „błąd” wymagający korekty. W konsekwencji może przyczynić się do zmiany społecznego postrzegania afazji jako choroby i ograniczenia w różnorodność językową i komunikacyjną człowieka.
Zespół badawczy:
mgr Jakub Rezler, ITTI Poznań
dr inż. Leszek Gajecki, WSIiZ
mgr Regina Waszut, Neurologopeda
dr Zofia Matusiewicz, WSIiZ
dr hab. inż. Teresa Mroczek, prof. WSIiZ
Inteligentne modele rozmyte w identyfikacji kluczowych cech systemów komunikacyjnych
Odkrywanie zależności pomiędzy atrybutami i decyzjami za pomocą relacyjnych rozmytych równań i nierówności jest szczególnie istotne w analizie współczesnych zbiorów danych charakteryzujących się wysoką złożonością, dużą liczbą cech oraz niepewnością i nieprecyzyjnością informacji. Tradycyjne metody analizy często nie pozwalają w pełni uchwycić ukrytych zależności ani wyłonić najistotniejszych zmiennych decyzyjnych, co ogranicza trafność modeli klasyfikacyjnych i predykcyjnych.
Zastosowanie metod rozmytych umożliwia precyzyjne modelowanie relacji pomiędzy cechami a decyzjami w sposób uwzględniający niejednoznaczność danych, co jest kluczowe w kontekście dużych, zróżnicowanych i wielowymiarowych zbiorów. Dzięki temu możliwe jest wyodrębnienie istotnych atrybutów, eliminacja tych zbędnych oraz zwiększenie efektywności procesów analizy, klasyfikacji i modelowania.
W szerszej perspektywie badania te mają znaczenie nie tylko metodologiczne, ale również praktyczne: pozwalają na tworzenie bardziej precyzyjnych narzędzi wspomagających podejmowanie decyzji, w tym w dziedzinach, gdzie dane są niepewne, rozmyte lub trudne do interpretacji przy użyciu standardowych metod.
Zespół badawczy:
dr Zofia Matusiewicz, WSIiZ
dr hab. inż. Teresa Mroczek, prof. WSIiZ
Projekty naukowo-badawcze finansowane ze źródeł zewnętrznych
VISUAL: VERSATILE INFRARED LIGHT SOURCE FOR ADVANCED ILLUMINATION
Kierownik: dr inż. Łukasz Piątek, dr hab. inż. Teresa Mroczek, prof. WSIiZ
Celem projektu jest opracowanie nowych, opłacalnych i uniwersalnych źródeł światła. Innowacyjne podejście VISUAL ma prześcignąć pod względem mocy, wszechstronności, prostoty, zwartości – i przy połowie obecnych kosztów – najnowocześniejsze źródła femtosekundowe z regulacją długości fali, pracujące z wysokimi częstotliwościami powtarzania (> 40 MHz), np. pompowane synchronicznie optyczne oscylatory parametryczne (fs-OPO). Wszechstronność źródła VISUAL nie tylko przyniesie korzyści w wybranych przypadkach użycia, ale także zapewni innowacyjne podejście w tych dziedzinach.
Okres realizacji: 01.01.2024 – 12.2027
Finansowanie: program Horyzont Europe
Partnerzy:
1. FASTLITE, France – Koordynator [FAST]
2. AMPLITUDE, France – Partner [AMP]
3. CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE CNRS, France – Partner [CNRS]
4. JENLAB GMBH, Germany – Partner [JENL]
5. WYZSZA SZKOLA INFORMATYKI I ZARZADZANIA, Poland – Partner [UITM]
6. FRIEDRICH-ALEXANDER-UNIVERSITAET ERLANGEN-NUERNBERG, Germany – Partner [FAU]
7. UNIVERSITE DE LILLE, France – partner stowarzyszony[UDL]
Zastosowanie technik cyfrowych do automatycznego rozpoznawania raka skóry – „Digital solutions for automatic skin cancer diagnosis”.
Kierownik projektu po stronie polskiej: prof. J. W. Grzymała-Busse, po stronie niemieckiej: prof. Jens Haueisen
Celem projektu było opracowanie metod i algorytmów przetwarzania obrazów, które będą wspomagały diagnozę czerniaka złośliwego wykonywaną przez dermatologów oraz lekarzy pierwszego kontaktu, zapewniając obiektywne i wiarygodne wyniki. Zrealizowany we współpracy z Technische Universität Ilmenau i firmę JensLab
Okres realizacji: 05.2019–04.2022
Finansowanie: Narodowe Centrum Badań i Rozwoju (NCBiR)
Badania nad algorytmami syntezy statycznych obrazów znamion melanocytowych
Kierownik projektu: prof. dr hab. inż. Zdzisław Hippe
W wyniku realizacji projektu utworzono specjalizowane narzędzie informatyczne Instant-Nevi-Painter.PL (zwane dalej INP), przeznaczone do tworzenia syntezowanych komputerowo cyfrowych obrazów wybranych odmian znamion, udostępnione via Internet pod adresem http://synteza.melanoma.pl/. Algorytmy syntezy obrazów zaimplementowane aktualnie w INP, dotyczą najbardziej zagrażających człowiekowi znamion melanocytowych skóry grupy Nevus oraz z grupy Melanoma, obejmując syntezą także wszystkie podtypy tych znamion. Badania prowadzone podczas realizacji omawianego projektu doprowadziły do spostrzeżenia, że bardziej ścisłe rozpoznanie typu znamienia (a w konsekwencji, lepsza synteza jego obrazu) wymaga zmodyfikowania pierwotnej reguły ABCD, nadając jej postać ABK, gdzie term K oznacza dozwolone, liniowe kombinacje kolorów i zróżnicowania struktur. Term K został przez nas wyłoniony na podstawie wyczerpujących badań statystycznych, poświęconych analizie współwystępowania tych symptomów w rzeczywistych obrazach cyfrowych znamion melanocytowych. Aktualnie, rozpoznano 53 dopuszczalne wartości termu K. Do praktycznych efektów realizacji projektu należy niewątpliwie zaliczyć utworzenie specjalizowanego narzędzia informatycznego Instant-Nevi-Painter.PL. Korzystając z w/w narzędzia można utworzyć dla własnych celów (bez możliwości zapisu) roboczy zbiór obrazów syntezowanych. Zbiór ten może być przydatny zarówno w (i) procesie diagnozowania – poprzez porównanie znamienia pacjenta/pacjentki z odpowiednim znamieniem syntezowanym, jak i też w (ii) procesie wspomagania nauczania niektórych przedmiotów na studiach medycznych (dermatologia) i para-medycznych (kosmetologia, ochrona zdrowia, zdrowie publiczne).
Okres realizacji: 20.04.2011–19.04.2013
Finansowanie: Projekty badawcze własne MNiSW konkurs 4 (N N 516482640)
Projekty naukowo-badawcze finansowane z subwencji Ministerstwa
Eksploracja danych niekompletnych oraz zobrazowań biomedycznych
Kierownik projektu: dr hab. inż. Teresa Mroczek, prof. WSIiZ
W ramach niniejszych badań proponowane są dwa odrębne cele:
(1)tworzenie nowych metod analizy niekompletnych zbiorów danych oraz odej-ście od powszechnie stosowanego podejścia w drążeniu danych niekomplet-nych, tj. uzupełniania brakujących wartości atrybutów jeszcze przed procesem drążenia na rzecz rozwoju metod interpretacji niekompletności oraz indykato-rów zbioru
oraz
(2)opracowanie nowych metod umożliwiających prowadzenie ilościowej oceny obrazów biomedycznych, w tym głównie opracowanie metody automatycznej klasyfikacji cyfrowych obrazów znamion melanocytowych skóry z zastoso-waniem głębokich sieci neuronowych (ang. deep learning networks)
Okres realizacji:2023-2025
Modele hybrydowe wykorzystujące teorie zbiorów rozmytych i przybliżonych oraz ich zastosowanie w medycynie
Kierownik projektu: dr hab. Barbara Pękala, prof. WSIiZ
Opracowanie modeli Rough-Fuzzy do przetwarzania i analizy obrazu w zagadnieniu „Optymalizacja pracy gabinetów fizjoterapii” oraz opracowanie optymalnego „Hybrydowego systemu regułowego opartego na wiedzy eksperckiej i uczeniu maszynowym”.
Okres realizacji: 2023-2024
Modele teorii zbiorów rozmytych i przybliżonych stosowane do wykrywania postawy
Kierownik projektu: dr hab. Barbara Pękala, prof. WSIiZ
Celem badań jest rozwój nowych metod inteligencji obliczeniowej konstruowanych dla tzw. danych niepewnych wymagających nieklasycznych metod reprezentacji i modelowania. W szczególności zidentyfikowane zostaną zestawy algorytmów rozmytego i przybliżonego wnioskowania do wykrywania postawy ciała, które wykazują skuteczność na zadanym poziomie dokładności i jakości poszczególnych metod klasyfikacyjnych.
Okres realizacji: 2021-2023
