Κεντρικοί Ομιλητές
Θεμελιώδη μοντέλα για βιοσήματα
Η άνευ προηγουμένου επιτυχία των βασικών μοντέλων έχει μεταμορφώσει την αντίληψή μας για την τεχνητή νοημοσύνη, ωστόσο η εφαρμογή τους στην προσωπική υγεία και στην πανταχού παρούσα ανίχνευση παραμένει ένα σύνθετο πεδίο. Σε αυτή την ομιλία, θα μοιραστώ την πορεία μου στην ανάπτυξη τεχνητής νοημοσύνης για την παρακολούθηση της υγείας, ξεκινώντας από τις πρώτες προσπάθειες βελτίωσης της αποδοτικότητας, της ανθεκτικότητας και της αμεροληψίας των δεδομένων μέσω της αυτοεποπτείας. Ένα βασικό ορόσημο σε αυτό το ταξίδι ήταν η ανάπτυξη του PaPaGei, του πρώτου ανοιχτού βασικού μοντέλου για φωτοπληθυσμογραφία (PPG). Ενώ το PaPaGei απέδειξε τη χρησιμότητα της προ-εκπαίδευσης σε διάφορα σύνολα δεδομένων βιοσημάτων, οι αυστηρές απαιτήσεις των εφαρμογών στον πραγματικό κόσμο, όπως η ακριβής αναγνώριση δραστηριότητας, ο καρδιακός ρυθμός ή η παρακολούθηση άλλων βιοδεικτών σε δυναμικά περιβάλλοντα, υπογραμμίζουν την ανάγκη για ακόμη μεγαλύτερη γενίκευση και κλίμακα. Αυτές οι προκλήσεις αποτελούν κίνητρο για τη μετάβαση σε μοντέλα μεγάλων αισθητήρων που αντιμετωπίζουν αυτά τα εμπόδια, αυξάνοντας τόσο το μέγεθος του μοντέλου όσο και την ποικιλομορφία των δεδομένων των χρηστών. Αυτή η κλιμάκωση αποκαλύπτει νέα οφέλη που τα μικρότερα μοντέλα δεν μπορούν να επιτύχουν, τοποθετώντας αυτά τα βασικά μοντέλα στη θέση να γίνουν η ραχοκοκαλιά κάθε μελλοντικής εργασίας ανίχνευσης.
Βιογραφικό
Ο Δημήτρης Σπάθης είναι ερευνητής στη Google και επισκέπτης ερευνητής στο Πανεπιστήμιο του Κέιμπριτζ. Το έργο του επιτρέπει στην τεχνητή νοημοσύνη να διαχειρίζεται την πολυπλοκότητα του πραγματικού κόσμου μέσω μηχανικής μάθησης που είναι αποδοτική ως προς τα δεδομένα και ανθεκτική, με έμφαση στην ανάπτυξη βασικών μοντέλων για τον τομέα της υγείας. Ενδιαφέρεται ιδιαίτερα για τους ακόλουθους τομείς:
Τεχνητή Νοημοσύνη για Διαδοχικά & Πολυτροπικά Δεδομένα: Ανάπτυξη και κυκλοφορία μοντέλων τεχνητής νοημοσύνης που αξιοποιούν στο έπακρο τα λεπτομερή δεδομένα που δημιουργούνται από άτομα μέσω αυτοεποπτευόμενης μάθησης [ICLR'25, CHIL'21], πολυτροπικής σύνθεσης [WSDM'24], πρόβλεψης [KDD'19 oral] και απόσταξης γνώσης [UbiComp'21].
Προσβάσιμη ανίχνευση υγείας: Δημιουργία συστημάτων τεχνητής νοημοσύνης που ανιχνεύουν ζωτικές πληροφορίες υγείας χωρίς εξειδικευμένο εξοπλισμό, με εφαρμογές στην παρακολούθηση ασθενειών [NeurIPS'21], την καρδιακή υγεία [Nature Dig. Medicine'22], τις διαταραχές ύπνου [Sci. Reports'22] και άλλα.
Σταθερή & Αξιόπιστη ΤΝ: Ανάπτυξη αξιόπιστων αλγορίθμων μηχανικής μάθησης για εφαρμογές υψηλού κινδύνου, με έμφαση στη γενίκευση εκτός κατανομής [ML4H'22, ACLw'17], αντιμετωπίζοντας τη λήθη [WACV'24], τη δικαιοσύνη [KDD'24] και ηθικά ζητήματα [JAMIA'21].
Προηγουμένως, ήταν ανώτερος ερευνητής στα Nokia Bell Labs, όπου ηγήθηκε των προσπαθειών στον τομέα της τεχνητής νοημοσύνης για την πολυτροπική υγεία. Πριν από αυτό, ολοκλήρωσε το διδακτορικό του στην Επιστήμη των Υπολογιστών στο Πανεπιστήμιο του Κέιμπριτζ, συνεργαζόμενος με την καθηγήτρια Cecilia Mascolo. Κατά τη διάρκεια των σπουδών του, εργάστηκε στη Microsoft Research, τη Telefonica Research και την Ocado. Επίσης, συνέβαλε στην έναρξη του COVID-19 Sounds, μιας από τις μεγαλύτερες μελέτεςστον τομέα της τεχνητής νοημοσύνης για την υγεία.
Η έρευνά του έχει δημοσιευτεί σε κορυφαία επιστημονικά περιοδικά στους τομείς της τεχνητής νοημοσύνης, της τεχνητής νοημοσύνης για την υγεία και της επεξεργασίας σημάτων με επίκεντρο τον άνθρωπο, ενώ πρόσφατα έργα του έχουν παρουσιαστεί σε διεθνή μέσα ενημέρωσης όπως η New York Times, η BBC, το CNN, ο Guardian, η Washington Post, το Forbes και η Financial Times.
Workshop Προσομοίωσης Συνέντευξης
Βιογραφικό
Ο Νικόλαος Κορφιάτης είναι Καθηγητής στο Τμήμα Πληροφορικής του Ιονίου Πανεπιστημίου στο γνωστικό αντικείμενο της Διαχείρισης Δεδομένων. Έλαβε το πτυχίο του από το Οικονομικό Πανεπιστήμιο Αθηνών (2004), συνέχισε με μεταπτυχιακές σπουδές (MΕng) στο Βασιλικό Ινστιτούτο Τεχνολογίας της Στοκχόλμης (Royal Institute of Technology – KTH), Σουηδία και απέκτησε Διδακτορικό Δίπλωμα (PhD) από το Οικονομικό Πανεπιστήμιο της Κοπεγχάγης (Copenhagen Business School) -2009. Ακολούθως εργάστηκε ως επίκουρος καθηγητής στο τομέα Πειραματικών και Συμπεριφορικών Οικονομικών του τμήματος Οικονομικών Επιστημών του Πανεπιστημίου της Κοπεγχάγης (Δανία) και ως υφηγητής (2009-2014) της έδρας Πληροροφιακών Συστημάτων και Βάσεων Δεδομένων του Πανεπιστημίου Goethe της Φραγκφούρτης (Ομοσπονδιακή Δημοκρατία της Γερμανίας). Εν συνεχεία υπηρέτησε ω ως επίκουρος, αναπληρώτής και τακτικός καθηγητής στα Πανεπιστήμια της Ανατολικής Αγγλίας (UEA), Warwick (Warwick Business School) και Nottingham όπου αφυπηρέτησε και εντάχθηκε στο δυναμικό του τμήματος πληροφορικής του Ιονίου Πανεπιστημίου.
Παρουσίαση του Ερευνητικού Εργαστηρίου CMODLab
Βιογραφικό
Ο Δρ. Ιωάννης Καρύδης είναι κάτοχος
πτυχίου με τίτλο BEng in Engineering Science & Technology από το
πανεπιστήμιο Brunel University, του Ηνωμένου Βασιλείου (2000),
μεταπτυχιακού διπλώματος με τίτλο MSc in Advanced Methods in Computer
Science από το πανεπιστήμιο Queen Mary University του Ηνωμένου Βασιλείου
(2001) και διδακτορικού διπλώματος από το Τμήμα Πληροφορικής του
Αριστοτέλειου Πανεπιστήμιου Θεσσαλονίκης (2006).
Ερευνητικά Ενδιαφέροντα
- Ταξινόμηση μουσικού γένους
- Φωνητικός διαχωρισμός σε πολυφωνική μουσικήc
- Συνεχής αναζήτηση σε μουσικές ροές
- Πληροφοριακά συστήματα πολιτιστικής πληροφορίας με χρήση νέων μέσων
- Σχεδίαση διεπαφής χρήστη για ανάκτηση πληροφοριών μουσικής
- Ομοιότητα μουσικών δεδομένων με βάση τα συμφραζόμενα
- Διαχείριση μουσικής πληροφορίας
- Διαδίκτυο των πολυμεσικών πραγμάτων (M-IoT / IoMT)
- Συστήματα συνδημιουργίας με χρήση νέων μέσων
- Συλλογική νοημοσύνη με χρήση νέων μέσων
Ευαγγελία-Ζωή Ακριτίδη
Ιόνιο ΠανεπιστήμιοΨηφιακός Μετασχηματισμός και Ακαδημαϊκοί Τεχνοβλαστοί: πώς τα Εργαλεία της Πληροφορικής στηρίζουν την Καινοτομία και τη Βιωσιμότητα
Η προτεινόμενη παρουσίαση εξετάζει τη συμβολή του ψηφιακού μετασχηματισμού και των εργαλείων της Πληροφορικής στην ενίσχυση της καινοτομίας και της βιωσιμότητας των ακαδημαϊκών τεχνοβλαστών. Εστιάζει στις βασικές προκλήσεις που αντιμετωπίζουν οι πανεπιστημιακές πρωτοβουλίες, όπως η αβεβαιότητα, η αξιοποίηση της ερευνητικής γνώσης και η διασύνδεση με την αγορά, και αναδεικνύει τον ρόλο των πληροφοριακών συστημάτων, της ανάλυσης δεδομένων, της τεχνητής νοημοσύνης και των digital twins ως μηχανισμών υποστήριξης. Παράλληλα, υπογραμμίζει τη σημασία του θέματος για τους φοιτητές Πληροφορικής και τους νέους ερευνητές, στο πλαίσιο της ακαδημαϊκής εξειδίκευσης και της καινοτόμου πανεπιστημιακής δράσης.