UNIFY-AI: Integrering av AI-system med MLOps och Time-Series Foundation-modeller för skalbar industriell intelligens

Syfte och mål

UNIFY-AI syftar till att utveckla en grundmodell för tidsserier med stöd av robust MLOps. Projektet adresserar en central begränsning i dagens fordonsanalys: de flesta AI/ML-lösningar byggs som isolerade, uppgiftsspecifika modeller, vilket leder till upprepad databearbetning och dubblerat utvecklingsarbete. Som svar föreslår UNIFY-AI representationsinlärning tränad på heterogena flottdata, vilket möjliggör återanvändbara AI-förmågor för flera eftermarknads- och drifttidstjänster.

Förväntade effekter och resultat

UNIFY-AI förväntas minska utvecklingsinsatsen, snabba upp framtagandet av nya digitala tjänster och förbättra robustheten mot distributionsförskjutningar. På operativ nivå bidrar projektet till förbättrad fordonsdrifttid, bättre underhållsplanering, minskat slöseri och ett starkare stöd för cirkulär resurshantering. På strategisk nivå stärker det Sveriges konkurrenskraft inom industriell AI genom att kombinera spjutspetsforskning om foundation-modeller för tidsserier med MLOps-baserad praktik.

Planerat upplägg och genomförande

Projektet har fyra arbetspaket som tillsammans implementerar en foundation-modell för tidsserier och dess MLOps-ramverk. Hypotesen: en enda förtränad modell via enhetlig MLOps matchar eller överträffar uppgiftsspecifika modeller, med mindre utvecklingsinsats och bättre robusthet mot saknad data och distributionsförskjutningar. WP1–WP2 utgör den tekniska kärnan; WP3 validerar värde och användbarhet i verkliga tjänster; WP0 sköter samordning, styrning och kunskapsspridning.