MI2 DataLab

Obszarem badań grupy MI2DataLab jest odpowiedzialna sztuczna inteligencja (SI). Często mówimy o niej na konferencjach, poświęcamy jej dużo miejsca w książkach, artykułach czy blogach.

Obecnie intensywnie pracujemy nad stworzeniem innowacyjnego, odpowiedzialnego rozwiązania do analizy zdjęć medycznych płuc, które wykorzystuje SI. Celem projektu jest wsparcie pracy radiologów. Nasze badania w tym obszarze są finansowane z grantu NCBiR.

Chcemy się z Wami na bieżąco dzielić zadaniami z jakimi się mierzymy a więc dziś rozpoczynamy serię blogów opisujących nasze prace. Zacznijmy od danych, które są kluczowe przy zadaniach modelowania.

Zapraszamy do lektury!

Towards the largest database of Polish lung medical images AI in healthcare is gaining more at more attention. In MI2DataLab, we work on this area in the project: “xLungs — Responsible Artificial…

Dziś ostatni dzień roku 2021, zatem czas na małe podsumowanie!

W tym roku wydarzyło się wiele wspaniałych rzeczy, ciekawe projekty, konferencje oraz publikacje. Nasze podsumowanie roku możecie znaleźć na blogu RML https://medium.com/responsibleml/year-2021-under-the-microscope-78ca19cc1d9

Wszystkiego najlepszego na 2022!

Dziękujemy Wam, że byliście z nami przez te 24 dni, nie będziemy ukrywać, ale było to dla nas wielkie wyzwanie - dotrwaliśmy ;) Mamy nadzieję, że poznaliście nas lepiej, wiecie czym się zajmujemy i co się u nas dzieje. Dziękujemy za ogrom wsparcia!

W tym roku przygotowaliśmy wyjątkową kartkę świąteczną, zatem chcemy życzyć Wam wszystkiego co najlepsze na ten czas oraz na nadchodzący Nowy Rok 2022!

Przedstawiając historię kryjącą się w danych i modelu predykcyjnym, nie wystarczy użyć jednej techniki XAI. Aby odpowiedzialnie wyciągać wnioski musimy spojrzeć na skomplikowane zjawisko z wielu perspektyw.

Dzięki pakietowi modelStudio możemy efektywnie eksplorować różne techniki XAI z pakietu DALEX. W automatyczny sposób budowany jest interaktywny dashboard, dzięki któremu możemy odkrywać interakcje zmiennych i ich wpływ na predykcje. Jeśli jesteśmy świadomi wad i zalet poszczególnych technik XAI możemy także wybrać metody, z których korzystamy. Co ważne, modelStudio nie wymaga serwera, jako plik HTML jest wygodny do przechowywania, współdzielenia i rozszerzania.

Dzięki modelStudio łatwo wyjaśnimy modele machine learning z pakietów R: mlr3, caret, h2o, xgboost, tidymodels, i innych.

Autorem rozwiązania jest Hubert Baniecki.

https://modelstudio.drwhy.ai/