BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Vrije Universiteit Amsterdam//NONSGML v1.0//EN
NAME:Promotie L.P. Silvestrin
METHOD:PUBLISH
BEGIN:VEVENT
DTSTART:20260513T134500
DTEND:20260513T151500
DTSTAMP:20260513T134500
UID:promotie-l-p-silvestrin@8F96275E-9F55-4B3F-A143-836282E12573
CREATED:20260826T181051
LOCATION:Hoofdgebouw VU, 1105, Auditorium, De Boelelaan, 1081 HV, Amsterdam
SUMMARY:Promotie L.P. Silvestrin
X-ALT-DESC;FMTTYPE=text/html: Efficient Machine Le
arning for Time-Varying Data
Onderzoek maakt AI b
etrouwbaarder bij veranderende data
Machine learning
kan veel beter omgaan met veranderende en onvolledige gegevens dan to
t nu toe werd aangenomen. Dat blijkt uit onderzoek van datawetenschap
per Luis Silvestrin, die nieuwe methoden ontwikkelde om tijdreeksen v
an sensordata – zoals metingen uit machines of medische apparatuur
– betrouwbaarder te analyseren.
In de praktijk veranderen dit
soort gegevens voortdurend. Sensoren worden aangepast, omstandighede
n wisselen en belangrijke signalen, zoals storingen of medische compl
icaties, komen vaak maar zelden voor. Volgens Silvestrin schieten sta
ndaardmethoden voor machine learning daardoor regelmatig tekort. Ze g
aan er impliciet van uit dat data stabiel blijft, terwijl dat in werk
elijkheid zelden het geval is.
Het onderzoek laat zien dat er w
él bruikbare voorspellingen mogelijk blijven, mits algoritmes explic
iet rekening houden met die veranderlijkheid. Silvestrin ontwikkelde
technieken die beter omgaan met beperkte en evoluerende datasets. Dez
e methoden bleken effectief in onder meer industriële toepassingen e
n de gezondheidszorg.
Minder storingen en betere zorgbe
slissingen
De maatschappelijke impact van deze bevindi
ngen kan groot zijn. In de industrie kunnen bedrijven met de nieuwe a
anpak eerder afwijkingen in machines detecteren, nog voordat storinge
n optreden. Dat bespaart kosten en voorkomt stilstand. Een concreet v
oorbeeld is een waarschuwingssysteem voor oververhitting van motoren
in transportbanden. De nieuwe methoden helpen om zeldzame problemen n
iet te missen, terwijl ze tegelijkertijd het aantal valse alarmen bep
erken.
Ook in ziekenhuizen biedt dit kansen. Artsen moeten vaak
beslissingen nemen op basis van beperkte en voortdurend veranderende
patiëntgegevens. De nieuwe technieken kunnen bijvoorbeeld ondersteu
nen bij het bepalen van het juiste moment om een beademingsbuis te ve
rwijderen op de intensive care, zelfs wanneer er nog weinig nieuwe da
ta beschikbaar is.
AI die meebeweegt met de werkelijkhe
id
De kern van het onderzoek is dat kunstmatige intell
igentie beter werkt als systemen zich aanpassen aan verandering, in p
laats van uit te gaan van een stabiele wereld. Dat is relevant in een
tijd waarin steeds meer beslissingen afhangen van data die onvolledi
g, ruisgevoelig en dynamisch zijn.
Sommige toepassingen van de
nieuwe methoden zijn al direct inzetbaar, omdat ze getest zijn in rea
listische omgevingen. Voor bredere toepassing is wel verdere validati
e nodig, afhankelijk van de specifieke sector.
Het onderzoek sl
uit daarmee aan bij grotere maatschappelijke ontwikkelingen, zoals de
opkomst van slimme zorgsystemen, betrouwbaardere industrie en de gro
eiende rol van AI in complexe, realistische situaties.
Meer inf
ormatie over het proefschrift
DESCRIPTION: Efficient Machine Learning for Time-Varying Data Onderzoek maakt AI betrouwbaarder bij veranderende data<
/h3>Machine learning kan veel beter omgaan met veranderende en onvoll
edige gegevens dan tot nu toe werd aangenomen. Dat blijkt uit onderzo
ek van datawetenschapper Luis Silvestrin, die nieuwe methoden ontwikk
elde om tijdreeksen van sensordata – zoals metingen uit machines of
medische apparatuur – betrouwbaarder te analyseren.In de praktijk
veranderen dit soort gegevens voortdurend. Sensoren worden aangepast,
omstandigheden wisselen en belangrijke signalen, zoals storingen of
medische complicaties, komen vaak maar zelden voor. Volgens Silvestri
n schieten standaardmethoden voor machine learning daardoor regelmati
g tekort. Ze gaan er impliciet van uit dat data stabiel blijft, terwi
jl dat in werkelijkheid zelden het geval is.Het onderzoek laat zien d
at er wél bruikbare voorspellingen mogelijk blijven, mits algoritmes
expliciet rekening houden met die veranderlijkheid. Silvestrin ontwi
kkelde technieken die beter omgaan met beperkte en evoluerende datase
ts. Deze methoden bleken effectief in onder meer industriële toepass
ingen en de gezondheidszorg.Minder storingen en betere zorgbe
slissingenDe maatschappelijke impact van deze bevindingen ka
n groot zijn. In de industrie kunnen bedrijven met de nieuwe aanpak e
erder afwijkingen in machines detecteren, nog voordat storingen optre
den. Dat bespaart kosten en voorkomt stilstand. Een concreet voorbeel
d is een waarschuwingssysteem voor oververhitting van motoren in tran
sportbanden. De nieuwe methoden helpen om zeldzame problemen niet te
missen, terwijl ze tegelijkertijd het aantal valse alarmen beperken.O
ok in ziekenhuizen biedt dit kansen. Artsen moeten vaak beslissingen
nemen op basis van beperkte en voortdurend veranderende patiëntgegev
ens. De nieuwe technieken kunnen bijvoorbeeld ondersteunen bij het be
palen van het juiste moment om een beademingsbuis te verwijderen op d
e intensive care, zelfs wanneer er nog weinig nieuwe data beschikbaar
is.AI die meebeweegt met de werkelijkheidDe kern va
n het onderzoek is dat kunstmatige intelligentie beter werkt als syst
emen zich aanpassen aan verandering, in plaats van uit te gaan van ee
n stabiele wereld. Dat is relevant in een tijd waarin steeds meer bes
lissingen afhangen van data die onvolledig, ruisgevoelig en dynamisch
zijn.Sommige toepassingen van de nieuwe methoden zijn al direct inze
tbaar, omdat ze getest zijn in realistische omgevingen. Voor bredere
toepassing is wel verdere validatie nodig, afhankelijk van de specifi
eke sector.Het onderzoek sluit daarmee aan bij grotere maatschappelij
ke ontwikkelingen, zoals de opkomst van slimme zorgsystemen, betrouwb
aardere industrie en de groeiende rol van AI in complexe, realistisch
e situaties.Meer informatie over het proefschrift
END:VEVENT
END:VCALENDAR