Bruk av maskinlæring for å understøtte cyber security use-case
IFE kan etablere et use-case som involverer et oppsett av et cyber-fysisk system (IT/OT) etter kundens behov, i IFEs Cyber Security senter. Datastrømmer fra IT/OT oppsettet kan benyttes i maskinlæringsmodeller for beslutningsstøtte.
Nemonoor bistår med arbeidet mot mer tillitsfull og bærekraftig kunstig intelligens. En viktig del av dette vil være arbeidet for å oppnå relevante standarder som kan bidra til at produkter og tjenester på en tryggere måte kan bli tatt i bruk i Norge og andre steder i verden.
For å bidra til dette arbeidet har Nemonoor etablert Norwegian AI Standards Hub, et nettverk som skal bidra til at SMBer og offentlig organisasjoner kan begynne på reisen med å få produktet eller tjenesten de tilbyr sertifisert.
Spesielt innenfor helse er standardisering svært viktig og Norway Health Tech har bygget opp kompetanse over mange år. Samtidig krever ofte andre bransjeområder i Nemonoor et arbeid med standardisering – produksjon, energi og byer kan trenge samkjørte løsninger.
Over de kommende årene vil flere standarder innenfor kunstig intelligens lande og Nemonoor vil jobbe aktivt med å holde oversikt både over standardiseringsarbeidet og hvilke aktører som kan bidra inn mot prosessen slik at du kan oppnå standarder relevant for din organisasjon.Arbeidet med Norwegian AI Standards Hub er sterkt inspirert av organiseringen av AI Standards Hub i England drevet av Alan Turing Institute. Vi vil også ha nær kontakt med arbeidet i EU innenfor standardisering og aktørene som aktivt jobber med standardisering.
ImmuneML: en plattform for maskinlæringsanalyse av adaptive immunreseptorrepertoarer
ImmuneML-plattformen tilbyr et rikt økosystem for å forstå AIRR-data, som støtter tilfeller sentrert rundt pasientens sykdomstilstander eller hva individuelle immunceller reagerer på. Den samler en rekke maskinlæringstilnærminger i én plattform, med høy grad av åpenhet, interoperabilitet og er brukervennlighet.
Det adaptive immunsystemet reagerer på fremmede trusler med fremragende hastighet og presisjon, og lagrer nåværende og tidligere responser i det som kalles immunminne. Videre er det adaptive immunsystemet vanligvis involvert i kreft og autoimmunitet, som også setter spor i immunminnet. Denne informasjonen gjenspeiles hovedsakelig i DNA-sekvensene til det som er kjent som immunreseptoren. DNA-sekvensering tillater at informasjon effektivt kan bestemmes for millioner av celler i en pasient, noe som åpner muligheten for å utnytte såkalt adaptiv immunreseptorrepertoar (AIRR) sekvensering for tidlig diagnostikk. Imidlertid er immunresponsen for en gitt sykdom unik for hver pasient, og å utlede immuntilstander (sykdom) fra et sekvensert AIRR-datasett er fortsatt en krevende utfordring, som krever sofistikert maskinlæring som fortsatt er i tidlig utviklingsfase.
ImmuneML-plattformen tilbyr et rikt økosystem for å forstå AIRR-data, som støtter tilfeller sentrert rundt pasientens sykdomstilstander eller hva individuelle immunceller reagerer på. Den samler en rekke maskinlæringstilnærminger i én plattform, med høy grad av åpenhet, interoperabilitet og er brukervennlighet. Det underliggende programvarerammeverket er også svært utvidbart, noe som gjør det mulig å effektivt utarbeide tilrettelagte eller fullstendig tilpassede analyser.
Ettersom plattformen har en rekke innebygde funksjonalitet, kan den være spesielt nyttig for tidlig gjennomførbarhetstesting av ideer for AIRR-baserte tilnærminger, før store ressurser investeres i utviklingen av en tilpasset beregningsmetodikk. ImmuneML-teamet er på nåværende tidspunkt tilgjengelig for å diskutere muligheter og begrensninger ved bruk av AIRR-er som biomarkører, gi råd om hvordan man setter opp AIRR-studier, gi støtte til hvordan man bruker immuneML, og for å utvide immuneML-plattformen med ny funksjonalitet til møte tilpassede behov. Opptil ti timers konsultasjon tilbys gratis. Dersom ytterligere støtte er ønskelig, eller om immuneML-plattformen skal brukes til kommersielle formål, kan en kontrakt forhandles.
