CODA - Prognostiserande modeller med tolkningsbarhet och analys av datadrift

Syfte och mål

Syftet var att ta fram mer kunskap om datadrivna prediktiva modeller av fordon med fokus på datadrift och tolkningsbarhet. Projektet har bidragit till att stärka ovanstående forskningsområde genom att ta fram metoder och kunskap för analys av datadrift och dynamisk data och analys och förbättring av tolkningsbarhet. Projektet har även tagit fram ett ramverk/arkitektur för driftsättning av ML-modeller, en process som kan resultera i bättre kravställning på effektiviserad datainsamling och processer/guidelines för hur externa användare ska få tillgång till ett företags data.

Resultat och förväntade effekter

Projektet levererade två doktorsavhandlingar och ett antal artiklar och examensarbeten vilket ger andra forskare och företag möjlighet att ta del av resultaten inom prediktiv modellering och utveckla metoderna och kunskapen ytterligare. Lärdomar från projektet har nyttjats inom forskningsprojektet FAMOUS. Projektet tog även fram programvara för tolkningsbarhet, ramverk/arkitektur för driftsättning av ML-modeller, en demonstrator för datainsamling och processer/guidelines för datadelning med externa användare. Dessa resultat används inom Scanias R&D.

Upplägg och genomförande

Projektets parter var Scania CV, Linköpings universitet, Stockholms universitet och Kungliga tekniska högskolan. Projektet var uppbyggt runt sex arbetspaket: Projektstyrning, Datadrift och dynamisk data, Tolkningsbarhet av modeller, Driftsättning av prognostiska modeller, Effektiviserad datainsamling och Data warehouse. 13 workshops hölls med projektgruppen, samt ett flertal kortare pulsmöten. Varje workshop inleddes ett ledningsgruppsmöte och därefter presenterades delresultat från varje arbetspaket. Två extra workshops hölls på slutet, varav ett var publikt.