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:2026/promotie-l-p-silvestrin@8F96275E-9F55-4B3F-A143-836282E12573 CREATED:20260513T211854 LOCATION:(1e verdieping) Auditorium, Hoofdgebouw De Boelelaan 1105 1081 HV Amsterdam SUMMARY:Promotie L.P. Silvestrin X-ALT-DESC;FMTTYPE=text/html:

Efficient Machine Learn ing for Time-Varying Data

Onderzoek maakt AI betrouwb aarder bij veranderende data

Machine learning kan vee l beter omgaan met veranderende en onvolledige gegevens dan tot nu to e werd aangenomen. Dat blijkt uit onderzoek van datawetenschapper Lui s Silvestrin, die nieuwe methoden ontwikkelde om tijdreeksen van sens ordata – zoals metingen uit machines of medische apparatuur – bet rouwbaarder te analyseren.

In de praktijk veranderen dit soort gegevens voortdurend. Sensoren worden aangepast, omstandigheden wisse len en belangrijke signalen, zoals storingen of medische complicaties , komen vaak maar zelden voor. Volgens Silvestrin schieten standaardm ethoden voor machine learning daardoor regelmatig tekort. Ze gaan er impliciet van uit dat data stabiel blijft, terwijl dat in werkelijkhe id zelden het geval is.

Het onderzoek laat zien dat er wél bru ikbare voorspellingen mogelijk blijven, mits algoritmes expliciet rek ening houden met die veranderlijkheid. Silvestrin ontwikkelde technie ken die beter omgaan met beperkte en evoluerende datasets. Deze metho den bleken effectief in onder meer industriële toepassingen en de ge zondheidszorg.

Minder storingen en betere zorgbeslissin gen

De 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.< /p>

Ook in ziekenhuizen biedt dit kansen. Artsen moeten vaak beslis singen nemen op basis van beperkte en voortdurend veranderende patië ntgegevens. De nieuwe technieken kunnen bijvoorbeeld ondersteunen bij het bepalen van het juiste moment om een beademingsbuis te verwijder en op de intensive care, zelfs wanneer er nog weinig nieuwe data besc hikbaar is.

AI die meebeweegt met de werkelijkheid

De kern van het onderzoek is dat kunstmatige intelligentie beter werkt als systemen zich aanpassen aan verandering, in plaats v an uit te gaan van een stabiele wereld. Dat is relevant in een tijd w aarin steeds meer beslissingen afhangen van data die onvolledig, ruis gevoelig en dynamisch zijn.

Sommige toepassingen van de nieuwe methoden zijn al direct inzetbaar, omdat ze getest zijn in realistisc he omgevingen. Voor bredere toepassing is wel verdere validatie nodig , afhankelijk van de specifieke sector.

Het onderzoek sluit daa rmee aan bij grotere maatschappelijke ontwikkelingen, zoals de opkoms t van slimme zorgsystemen, betrouwbaardere industrie en de groeiende rol van AI in complexe, realistische situaties.

Meer informatie over het proefschrift

DESCRIPTION:

Onderzoek maakt AI betrouwbaarder bij verande rende data

Machine learning kan veel beter omgaan met v eranderende en onvolledige gegevens dan tot nu toe werd aangenomen. D at blijkt uit onderzoek van datawetenschapper Luis Silvestrin, die ni euwe methoden ontwikkelde om tijdreeksen van sensordata – zoals met ingen uit machines of medische apparatuur – betrouwbaarder te analy seren. In de praktijk veranderen dit soort gegevens voortdurend. Sens oren worden aangepast, omstandigheden wisselen en belangrijke signale n, zoals storingen of medische complicaties, komen vaak maar zelden v oor. Volgens Silvestrin schieten standaardmethoden voor machine learn ing daardoor regelmatig tekort. Ze gaan er impliciet van uit dat data stabiel blijft, terwijl dat in werkelijkheid zelden het geval is. He t onderzoek laat zien dat er wél bruikbare voorspellingen mogelijk b lijven, mits algoritmes expliciet rekening houden met die veranderlij kheid. Silvestrin ontwikkelde technieken die beter omgaan met beperkt e en evoluerende datasets. Deze methoden bleken effectief in onder me er industriële toepassingen en de gezondheidszorg. Minder st oringen en betere zorgbeslissingen De maatschappelijke impac t van deze bevindingen kan groot zijn. In de industrie kunnen bedrijv en met de nieuwe aanpak eerder afwijkingen in machines detecteren, no g voordat storingen optreden. Dat bespaart kosten en voorkomt stilsta nd. Een concreet voorbeeld is een waarschuwingssysteem voor oververhi tting van motoren in transportbanden. De nieuwe methoden helpen om ze ldzame problemen niet te missen, terwijl ze tegelijkertijd het aantal valse alarmen beperken. Ook in ziekenhuizen biedt dit kansen. Artsen moeten vaak beslissingen nemen op basis van beperkte en voortdurend veranderende patiëntgegevens. De nieuwe technieken kunnen bijvoorbee ld ondersteunen bij het bepalen van het juiste moment om een beademin gsbuis te verwijderen op de intensive care, zelfs wanneer er nog wein ig nieuwe data beschikbaar is. AI die meebeweegt met de werke lijkheid 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 realistis che omgevingen. Voor bredere toepassing is wel verdere validatie nodi g, afhankelijk van de specifieke sector. Het onderzoek sluit daarmee aan bij grotere maatschappelijke ontwikkelingen, zoals de opkomst van slimme zorgsystemen, betrouwbaardere industrie en de groeiende rol v an AI in complexe, realistische situaties. Meer informatie over het < a href="https://hdl.handle.net/1871.1/05ea5664-a6a9-4364-afea-01f7edf 89af3" data-new-window="true" target="_blank" rel="noopener noreferre r">proefschrift Efficient Machine Learning for Time-Varying Data END:VEVENT END:VCALENDAR