Säkerhetsdriven dataannoteringsplattform för att möjliggöra säker och ansvarsfull AI

Viktiga resultat som projektet gav

AI-algoritmer är datadrivna tekniker och därför är det avgörande att säkerhetsspecifikationerna kodas in i datasetet som AI-algoritmerna är baserade på. I detta projekt siktar vi på att skapa ett sådan säkerhetsdrivet benchmark-dataset som är redo att användas för träning och validering av AI-algoritmer. Den resulterande datasetet innehåller sensordata som loggats i Sverige, tillsammans med annoteringar kodade med säkerhetsspecifikationer. Detta initiativ syftar till att öka Sveriges satsning på att bygga tillförlitliga AI-system och bidra till arbetet mot nollvisionen.

Långsiktiga effekter som förväntas

Det finns tre arbetspaket: 1) samla in data med hjälp av REVERE:s forskningsfordon; 2) utveckla riktlinjer för säkerhetskodade annoteringar; 3) automatisk annotering av insamlade data. Som ett resultat har vi samlat in cirka 38 timmars perceptionsdata som uppgår till 23 TB, och vi har skapat säkerhetsdrivna annoteringar med vår AI-dataplattform SnapXS. Resultatet kommer att användas i flera efterföljande och relaterade projekt för tillämpningar som väginfrastrukturanalys, energieffektiv stadsplanering och datakvalitetsvalidering för fordonsperceptionssystem.

Upplägg och genomförande

Projektet genomförs i fyra faser: 1) datainsamling, 2) dataförberedelse och förannotering för att möjliggöra åtkomst och sökbarhet, 3) utveckling av riktlinjer för annotering baserat på säkerhetsspecifikationer och 4) skalbar automatiserad annotering givet de säkerhetsdrivna riktlinjerna. Uppgifterna samlas in med hjälp av REVERE:s forskningsfordon. Dataförberedelsen och annoteringen implementeras med vår AI-dataplattform SnapXS. Slutresultatet är en uppsättning säkerhetsdrivna annoteringsriktlinjer och ett annoterat dataset för AI-träning och validering.