ENFIELD er et europeisk samarbeidsprosjekt med fokus på kunstig intelligens (KI) som er pålitelig, tilpasningsdyktig, grønn og menneskesentrert. Senteret samler ledende forskningsmiljøer fra hele Europa og kobler sammen flere sektorer, som helse, energi og industri, med forskningsområder som forklarbar KI, digital sikkerhet og jordobservasjon.

Gjennom samarbeidet utforsker vi hvordan KI kan utvikles og brukes på måter som er forståelige, trygge og bærekraftige.

Fyrtårn på en klippe  i skumringen, med lyset som skinner ut over sjøen mot horisonten.
KI-generert illustrasjonsbilde, NR.

Et europeisk samarbeid for ansvarlig kunstig intelligens

ENFIELD har mål om å fremme forskning på toppnivå for å styrke EUs globale konkurranseevne innen KI og skal bidra til løsninger med betydning for flere sektorer.

Samarbeidet skaper et levende europeisk KI-nettverk bestående av 30 medlemsorganisasjoner fra 18 land. Medlemmene er alle ledende i sine felt og består av utdannings- og forskningsorganisasjoner, private konsern og representanter fra offentlig sektor.

ENFIELD utvikler både algoritmer og prototyper innen kunstig intelligens, med mål om å kombinere vitenskapelig kvalitet med praktisk anvendelse. Vi forventer et betydelig et antall vitenskapelige publikasjoner i regi av senteret som vil bidra til å generere ny kunnskap på tvers av sektorer.

Gjennom senterets innovasjonsordninger får enkeltforskere og mindre prosjekter mulighet til å teste nye idéer i praksis, blant annet gjennom sommerskoler og samarbeidsarrangementer som bidrar til et aktivt og inkluderende forskningsfelleskap.

Sammen utforsker vi sentrale spørsmål i grenselandet mellom forskning og innovasjon, med felles mål om å bidra til merkbare sosioøkonomiske endringer til nytte for både innbyggere og næringsliv.

Kunstig intelligens vi kan forstå

Kunstig intelligens omfatter statistiske modeller, maskinlæring og ekspertsystemer. Til tross for store teknologiske framskritt kan kunstig intelligens fortsatt være vanskelig å tolke, selv for eksperter.

Vi arbeider med å utvikle modeller som kan forklare hvordan kunstig intelligens fungerer og hvordan den kommer fram til avgjørelser og vurderinger. I ENFIELD ser vi spesielt på metoder som kan støtte aktører som bruker kunstig intelligens til beslutningsstøtte, for eksempel innen risikomodellering.

Si at et KI-verktøy beregner risikoen for en viktig hendelse, som at en maskin slutter å virke eller en bedrift går konkurs. Den som bruker resultatene i sin vurdering er da avhengig av å forstå hva verktøyet har lagt vekt på, og ikke minst hvor pålitelig det er. Er modellen på et sidespor, eller har den vektet feil faktorer? Innsikt som dette er helt avgjørende for trygge vurderinger.

Innenfor rammene av ENFIELD samarbeider vi særlig med Telenor, som bruker kunstig intelligens i stadig større deler av sin virksomhet både i Norge og internasjonalt.

Flomkartlegging med grunnmodeller

I tillegg til forklarbar KI jobber vi med grunnmodeller for jordobservasjondata, særlig rettet mot flomkartlegging.

En grunnmodell er en type kunstig intelligens trent på store og varierte datamengder slik at den kan gjenkjenne mønstre og løse mange ulike oppgaver. Grunnmodellen NR utviklet i det ESA-finansierte FM4CS-prosjektet lærer av satellittdata fra flere sensorer og kombinerer radar- og multispektrale bilder for miljøanalyse. Vi bruker modellen aktivt i vårt arbeid i ENFIELD.

Flom kan føre til omfattende materielle skader, og rask oversikt er avgjørende når vannet stiger. Ved hjelp av radarsatellitter (SAR) som Sentinel-1, kan vi observere miljøhendelser uavhengig av vær og lysforhold. Med grunnmodeller kan vi utnytte denne typen data mer effektivt ved å identifisere flomutsatte områder og følge utviklingen over tid.

Satellittbilde som viser flom. Røde områder viser oversvømte områder, mens blå områder markerer elver og innsjøer med normalt vann.
Flom i Topdalselva på Sørlandet nær Birkeland, 3. oktober 2017. Røde områder markerer flom, blå viser områder der det normalt er vann (elver og innsjøer). Bilde: NR.

Tradisjonelt har KI-baserte modeller for jordobservasjon krevd store mengder annoterte data, men grunnmodeller reduserer dette behovet betydelig. Vi undersøker også hvordan informasjon fra innsjøer og elver under normale vannforhold kan brukes til å trene flommodellen og forbedre modellens forståelse av flomforhold.

Målet er å bidra til mer presis og effektiv flomovervåking, også i områder med begrenset datagrunnlag, og på den måten støtte en mer kunnskapsbasert og samfunnsnyttig miljøforvaltning.

Tilpasningsdyktig KI og sikkerhet

Innen digital sikkerhet jobber vi for å gjøre KI-systemer mer fleksible og effektive gjennom såkalt federated learning. Denne metoden gjør det mulig å trene modeller lokalt, noe som forbedrer personvern, hastighet og energieffektivitet uten at sensitive data deles. Arbeidet omfatter adaptive modellvalg, few-shot learning og bruk av dype nevrale nettverk, som gjør systemene bedre i stand til å håndtere nye data og situasjoner med begrenset annotering.

Innen helse utvikler vi digitale tvillinger som styrker robustheten ved å oppdage og reagere på cybertrusler i sanntid. Systemene overvåker kontinuerlig ytelsen og tilpasser seg endrede forhold, noe som bidrar til økt pålitelighet og bedre situasjonsforståelse i komplekse miljøer.

Vi bidrar også til ENFIELDs rammeverk for sikkerhet og risikovurdering (Safety and Security Risk Assessment Framework), som gir en felles tilnærming for å vurdere KI-relaterte risikoer på tvers av sektorer. Rammeverket legger til rette for trygg bruk av KI ved å integrere sikkerhet og tillit i alle deler av forsknings- og utviklingsarbeidet.

Vil du vite mer om hvordan vi arbeider i ENFIELD?

Ta kontakt:

Prosjekt: European Lighthouse to Manifest Trustworthy and Green AI (ENFIELD)

Finansiering: Horizon Europe

Periode: 2023 – 2026

Logo for forskningssamarbeidet Enfield

Flere ressurser

ENFIELD (ekstern nettside)

Utforsk våre fokusområder