Onderzoek Tim Verdonck

Abstract

Brailsports wil een revolutie teweegbrengen in duurtraining met AI-geoptimaliseerde sportwetenschappelijke modellen, waaronder het Lactate Threshold-model en het Personalized Fitness Fatigue-model. De resultaten van deze modellen zijn momenteel geïmplementeerd in een online dashboard, waardoor coaches op maat gemaakte analyses krijgen over de prestaties, het herstel en de trainingsbehoeften van hun atleten. Dit stelt coaches in staat om datagestuurde beslissingen te nemen, waardoor de effectiviteit en efficiëntie van het trainingsregime wordt vergroot. Het doel van dit project is om ons minimum viable product te verheffen tot een commercialiseerbaar product, gericht op de beoogde beachhead-markt van duursport coaches. Voor de toekomst ziet Brailsports de uitbreiding van een coachgericht platform naar de ontwikkeling van op atleten gerichte oplossingen. Wij hebben een geavanceerde mobiele applicatie voor ogen die als persoonlijke coach in de broekzak van elke atleet dient. Deze app biedt dynamische, AI-gestuurde trainingsplannen die zich in realtime aanpassen om de huidige prestatiegegevens, fysiologische reacties en evoluerende doelstellingen van de atleet weer te geven. Door dit te doen wil Brailsports de toegang tot trainingsinzichten op topniveau democratiseren, waardoor gepersonaliseerde, wetenschappelijk onderbouwde trainingsregimes toegankelijk worden voor atleten op alle niveaus. Deze uitbreiding zal atleten voorzien van de tools die ze nodig hebben voor optimale prestaties, waardoor een beter geïnformeerde, verbonden en persoonlijke benadering van duurtraining wordt bekomen. Naast de commercialisatie van het dashboard, beogen we in dit project ook de eerste stappen te zetten in de ontwikkeling van deze mobiele applicatie.

Onderzoeker(s)

• Promotor: Verdonck Tim
• Co-promotor: Latré Steven

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Het Vlaams Artificiële Intelligentie Onderzoeksprogramma is een strategisch basisonderzoeksprogramma met een consortium van elf partners: de vijf Vlaamse universiteiten (KU Leuven, Universiteit Gent, Universiteit Antwerpen, Universiteit Hasselt, Vrije Universiteit Brussel) en zes onderzoekscentra (imec, Flanders Make, VIB, VITO, Sirris en ILVO). Het programma brengt 300+ onderzoekers samen op het gebied van nieuwe AI-methoden die kunnen worden gebruikt in innovatieve toepassingen in gezondheid, industrie, planeet en energie en samenleving. Op die manier draagt het programma bij tot een succesvolle adoptie van AI in Vlaanderen. De ambitie is dat Vlaanderen een sterke internationale positie inneemt op het vlak van strategisch basisonderzoek in AI, en dit binnen een sterk en duurzaam Vlaams ecosysteem. Er zijn vijf focusonderzoeksthema's geselecteerd: verantwoorde AI, mensgerichte AI, duurzame AI (energie-efficiënt en performant), productieve en data-efficiënte AI (systemen die weinig data nodig hebben, die presteren door data te combineren met domeinkennis en ervaring van experts) en veerkrachtige en performante AI (robuust tegen veranderingen in de omgeving). De beschrijving van de werkpakketten en hun onderzoekstaken definieert de aspecten binnen deze thema's die in het programma zullen worden onderzocht. De AI-oplossingen worden gedemonstreerd in real-life use cases. Deze resultaten tonen niet alleen de effectiviteit aan, maar inspireren ook bedrijven voor adoptie en onderzoekers voor verder onderzoek. Het Vlaams Artificiële Intelligentie Onderzoeksprogramma maakt deel uit van het Vlaams AI-beleidsplan. Meer info: www.flandersairesearch.be

Onderzoeker(s)

• Promotor: Mannens Erik
• Co-promotor: Calders Toon
• Co-promotor: Daelemans Walter
• Co-promotor: Famaey Jeroen
• Co-promotor: Goethals Bart
• Co-promotor: Laukens Kris
• Co-promotor: Martens David
• Co-promotor: Mets Kevin
• Co-promotor: Oramas Mogrovejo José Antonio
• Co-promotor: Sijbers Jan
• Co-promotor: Van Leekwijck Werner
• Co-promotor: Verdonck Tim

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Ondanks dat er al veel onderzoek gebeurd is naar het automatisch opsporen van fraude, blijft financiële transactiefraude een belangrijk probleem. Om hieraan tegemoet te komen, stel ik een andere manier van aanpak voor: in plaats van reactief fraude op te sporen, nadat het gebeurd is, probeer ik om proactief fraude te voorkomen, vooraleer het plaats vindt. Het beoogde onderzoeksproject, FraudPANDA, heeft als doel fraudeurs tegen te gaan door middel van ProActieve (Netwerk)Detectie en Analyse. Ten eerste wil ik proactief detecteren wie het meeste risico loopt om doelwit te worden. Ik zal methoden ontwikkelen om de meest relevante klantkenmerken te vinden. Ten tweede wil ik verschillende preventieve interventies en hun effectiviteit bij het verminderen van fraudegevallen van een klant analyseren. Dit zal gebaseerd zijn op technieken uit "causal inference". Ten derde zal ik voor beide methoden ook de mogelijkheid onderzoeken om netwerkinformatie te gebruiken om de preventieprestaties te verbeteren. Dit wordt gemotiveerd door recent succes van netwerkanalyse in fraudedetectie. Het ultieme doel van FraudPANDA is om tot een innovatieve oplossing te komen die deze inzichten operationaliseert. Het doet dit door preventieve interventies optimaal toe te wijzen om zo frauduleuze activiteiten te minimaliseren. Een veldtest zal worden uitgevoerd bij een industriële partner om de mogelijkheid van FraudPANDA om fraude proactief te voorkomen in real-world scenario's te evalueren.

Onderzoeker(s)

• Promotor: Verdonck Tim

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Door technologische vooruitgang is de beschikbare hoeveelheid data het afgelopen decennium exponentieel toegenomen. Het vakgebied data science (DS) heeft deze groei gevolgd omdat het een onmisbare tool is voor het vertalen van data naar inzicht en kennis. Waar DS zich traditioneel bezighield met leerassociaties in data, is het de laatste tijd duidelijk geworden dat causale verbanden vaak een dieper begrip van de data en een sterkere tool in veel praktische toepassingen opleveren. Een van de gevestigde technieken voor causale modellering is het gebruik van gerichte acyclische grafen (GAG) om causale relaties voor te stellen. Deze GAGs moeten geleerd worden op basis van geobserveerde data. Veel van de SOTA technieken voor het leren van dergelijke GAGs zijn erg gevoelig voor anomalieën en leveren onbetrouwbare resultaten op in hun aanwezigheid. We streven ernaar om methoden te ontwikkelen voor het leren van GAGs die efficiënt en betrouwbaar blijven indien uitschieters aanwezig zijn in de gegevens. Het project begint met het bouwen van een solide basis voor de concepten robuustheid in causale modellering. Voortbouwend op deze grondslagen, zullen we vervolgens overgaan tot het bouwen van een algemene robuuste modelleringsmethodologie. Het project bevat drie complementaire benaderingen voor het ontwikkelen van robuuste methodes voor het leren van GAGs. De ontwikkelingen zullen zowel theoretisch als empirisch geëvalueerd worden en onderworpen aan testen op reëele casussen.

Onderzoeker(s)

• Promotor: Verdonck Tim
• Co-promotor: Latré Steven
• Co-promotor: Raymaekers Jakob
• Mandaathouder: Leyder Sarah

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

StatUa wordt sinds 2009 als kernfaciliteit erkend en gefinancierd door de UAntwerpen, met als opdracht het ondersteunen van wetenschappelijk onderzoek via statistische en methodologische assistentie aan onderzoekers. Deze erkenning werd twee maal verlengd na positieve evaluaties: in 2011 voor de periode 2012-2016 en in 2016, voor de periode 2017-2021. In bijna alle domeinen van de wetenschap wordt een optimale methodologie en correcte dataanalyse alsmaar belangrijker. Sinds de erkenning heeft StatUa onderzoekers bijgestaan van alle faculteiten van de UAntwerpen. Deze samenwerkingen hebben geresulteerd in meer dan 200 coauteurschappen in internationaal gerefereerde (A1) tijdschriften. Bovendien ligt het aantal projecten waaraan StatUa in werkelijkheid heeft bijgedragen veel hoger. Naast individuele ondersteuning van onderzoekers, werkt StatUa nauw samen met de Antwerp Doctoral School voor het onderwijzen van methodologie en statistiek aan doctoraatsstudenten en postdocs. Hiervoor worden jaarlijks een tiental cursussen ingericht. Doorheen de jaren is StatUa binnen UAntwerpen en bekend aanspreekpunt geworden voor onderzoekers et statistische en methodologische vragen. Het doel van deze aanvraag is het hernieuwen van de erkenning van StatUa als kernfaciliteit, zodat de statistische en methodologische ondersteuning van onderzoekers kan verdergezet worden.

Onderzoeker(s)

• Promotor: Abrams Steven
• Co-promotor: Fransen Erik
• Co-promotor: Kampen Jarl
• Co-promotor: Roelant Ella
• Co-promotor: Verdonck Tim

Onderzoeksgroep(en)

• Instituut voor Globale Gezondheid (GHI)

Project type(s)

• Onderzoeksproject

Abstract

Procesoptimalisatie is van cruciaal belang voor bedrijven. Omwille van de complexiteit die hiermee gepaard gaat, vertrouwen bedrijven meestal op domeinexperten voor het sturen van bedrijfsprocessen. Het doel van dit voorstel is om een data-gedreven aanpak te ontwikkelen door gebruik te maken van recente ontwikkelingen in causaal machine learning (CML) om de besluitvorming te ondersteunen. Daartoe wordt procesoptimalisatie met sequentiële individuele causale effecten (POSITE) geïntroduceerd. POSITE is een krachtige, betrouwbare en flexibele methodologie die in staat is modellen te leren om causale effecten nauwkeurig te voorspellen in complexe, sequentiële besluitvormingsprocessen met behulp van causaal machine learning. De resulterende causale modellen zijn interpreteerbaar en robuust, waardoor betrouwbaarheid en bruikbaarheid gewaarborgd zijn. De methodologie is ingebed in een kostenbewust, begrensd en stochastisch beslissingskader om procesoperatoren te begeleiden bij het optimaliseren van processen. De voorgestelde oplossing is een bruikbare en innovatieve aanpak voor procesoptimalisatie die veelvuldige opportuniteiten biedt voor toekomstig fundamenteel en toegepast onderzoek.

Onderzoeker(s)

• Promotor: Verdonck Tim

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Conventionele klimaatmitigatie alleen zal niet in staat zijn de atmosferische CO2-concentraties te stabiliseren op een niveau dat compatibel is met de opwarmingslimiet van 2°C van het Akkoord van Parijs. Veilige en schaalbare negatieve-emissietechnologieën (NET's), die actief CO2 uit de atmosfeer verwijderen en koolstof (C) op lange termijn vastleggen, zullen nodig zijn. Snelle vooruitgang bij de ontwikkeling van NET's is nodig, om deze technologieen op grote schaal te kunnen inzetten en de overschrijding van omslagpunten in het aardse systeem te kunnen voorkomen. Toch zijn er nog geen NET's klaar om op een duurzame, energie-efficiënte en kosteneffectieve manier grote hoeveelheden CO2 uit de atmosfeer te halen . BAM! ontwikkelt 'super bio-versnelde mineraalverwering' als een radicale, innovatieve oplossing voor de NET-uitdaging. Hoewel versnelde silicaatverwering (ESW) eerder naar voren werd geschoven als een potentiële NET, is de huidige onderzoeksfocus op 1/ ex natura carbonatatie of 2/ langzame in natura ESW, gelimiteerd in zijn mogelijkheden. BAM! concentreert zich op een ongeëvenaarde reactortoepassing om de biotische verweringsstimulatie te maximaliseren met een lage input van hulpbronnen, en de implementatie van een geautomatiseerd, snel lerend proces dat het mogelijk maakt kritische doorbraken op het gebied van verweringsgraad snel aan te nemen en te verbeteren. De ambitie is om een NET te ontwikkelen dat kan ingezet worden tegen klimaatrisico's op de korte termijn (binnen 10-20 jaar). BAM! bouwt voort op de natuurlijke processen die hebben geleid tot sterke veranderingen in natuurlijke silicaatverwering en verankert deze in een nieuwe reactortechnologie. Het ambitieuze doel is de ontwikkeling van een onmisbare oplossing voor klimaatmitigatie.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Oramas Mogrovejo José Antonio
• Co-promotor: Verdonck Tim

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Het IDLab IOF-consortium bestaat uit academische promotoren van de onderzoeksgroep IDLab, een onderzoeksgroep aan UAntwerpen met leden verbonden aan de faculteiten Wetenschappen en Toegepaste Ingenieurswetenschappen. IDLab ontwikkelt innovatieve, digitale oplossingen in twee grote onderzoekslijnen: (1) internettechnologieën met de focus op draadloze netwerken en Internet of Things (IoT) en (2) data science met de focus op gedistribueerde intelligentie en artificiële intelligentie (AI). De missie van het IDLab-consortium is de nummer één worden in Vlaanderen en ook een leidende partner in de wereld op het gebied van onderzoek en innovatie in de hierboven vermelde onderzoeksgebieden en dan voornamelijk op het vlak van stedelijke en grootstedelijke toepassingen (industrie, haven en wegen). IDLab richt zich op geïntegreerde oplossingen vanuit een applicatie en technologie perspectief om deze missie te verwezenlijken. Uit het oogpunt van de applicaties bieden we oplossingen aan voor alle belanghebbenden in grootstedelijke gebieden zodat we een vruchtbare kruisbestuiving tussen applicaties krijgen. Uit technologisch oogpunt, bestaat ons onderzoek uit hardware prototyping, connectiviteit en artificiële intelligentie wat ervoor zorgt dat we een complete, geïntegreerde oplossing van sensor tot software kunnen bieden aan onze industriële partners. De laatste jaren heeft IDLab de stad en haar omgeving verbonden door middel van sensoren en actuatoren. Het is nu tijd om (1) betrouwbaar en efficiënt de data te verbinden op een geïntegreerde manier om zo (2) de gegevens om te zetten in goed geïnformeerde inzichten en intelligente acties. Dit komt perfect overeen met onze twee grote onderzoekslijnen die we intensief willen valoriseren in de komende jaren. Het IDLab-consortium heeft een unieke positie in het Vlaamse ecosysteem om deze missie te verwezenlijken aangezien het consortium strategisch geplaatst is over verschillende onderzoeksgebieden en innovatieve belanghebbenden: (1) IDLab is een onderzoeksgroep verbonden aan het strategisch onderzoekscentrum imec, een leidend onderzoeksinstituut op het gebied van nano-elektronica en meer recent ook op het vlak van digitale technologie door geaffilieerde onderzoeksgroepen zoals IDLab. (2) IDLab heeft een strategische verbondenheid met IDLab Gent, een onderzoeksgroep aan de Universiteit Gent. Hoewel elke groep haar eigen onderzoeksactiviteiten heeft, wordt er een gemeenschappelijke onderzoeksstrategie gedefinieerd. In het het Vlaamse ecosysteem worden we samen gezien als de leidende partner in het onderzoek dat we uitvoeren. (3) IDLab is de mede-oprichter van The Beacon, een Antwerps ecosysteem voor innovatie waar startups, scale-ups, etc. die IoT- en AI-oplossingen ontwikkelen voor de stad, logistiek, mobiliteit en industrie 4.0, kunnen samenkomen. (4) IDLab draagt bij aan de valorisatie binnen UAntwerpen op het vlak van grootstedelijkheid, smart city en mobiliteit. Om onze valorisatie doelen te verwezenlijken, zal IDLab vier valorisatieprogramma's definiëren: VP1 Opkomende technologieën voor IoT van de volgende generatie, VP2 Menselijke artificiële intelligentie, VP3 Machine learning at the edge, VP4 Deterministische communicatienetwerken. Elk valorisatieprogramma wordt geleid door een van de copromotoren van het IDLab-consortium en bestaat uit twee of drie innovatie lijnen. Op deze manier zal het IDLab-onderzoek vertaald kunnen worden in een duidelijk programma-aanbod voor onze (industriële) partners wat ervoor zorgt dat we elk van hen een aanbod op maat kunnen geven. Elk valorisatieprogramma zal bijdragen aan de verschillende IOF-doelstellingen maar op een gedifferentieerde manier. Op basis van onze huidige ervaring zullen sommige valorisatieprogramma's zich meer toespitsen op lokale partners terwijl andere programma's zich hoofdzakelijk zullen richten op internationale en door de EU gefinancierde onderzoeksprojecten.

Onderzoeker(s)

• Promotor: Hellinckx Peter
• Promotor: Latré Steven
• Promotor: Mannens Erik
• Co-promotor: Famaey Jeroen
• Co-promotor: Hellinckx Peter
• Co-promotor: Latré Steven
• Co-promotor: Marquez-Barja Johann
• Co-promotor: Mercelis Siegfried
• Co-promotor: Mets Kevin
• Co-promotor: Oramas Mogrovejo José Antonio
• Co-promotor: Saldien Jelle
• Co-promotor: Verdonck Tim
• Co-promotor: Weyn Maarten
• Mandaathouder: Braem Bart
• Mandaathouder: Braet Olivier

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

In deze IOF POC willen we expertise in sportwetenschappen en machine learning samenbrengen om intelligente hulpmiddelen te ontwikkelen voor het coachen van duursporten. Deze hulpmiddelen helpen de coach bij het bepalen van het fitnessniveau van de atleten en geven vroegtijdige waarschuwingen voor mogelijke afwijkingen in de fysiologische gegevens. Door gebruik te maken van de kracht van machine learning hopen we een efficiënter en effectiever coaching proces te creëren dat atleten kan helpen hun volledige potentieel te benutten. Door sportwetenschappelijke kennis te integreren, streven we er bovendien naar ervoor te zorgen dat de hulpmiddelen die we ontwikkelen gebaseerd zijn op het nieuwste onderzoek en inzicht in hoe het lichaam reageert op duurtraining.

Onderzoeker(s)

• Promotor: Verdonck Tim
• Co-promotor: Latré Steven

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Het project is gericht op (i) een nieuw, virtueel en gedistribueerd data-ecosysteem voor voedselbezorging aan fysieke winkels dat hyperresponsief en efficiënt wordt dankzij (ii) nauwkeurigere prognose- en personalisatiemodellen die gebruik maken van verbeterde AI- en planningstechnologieën om (iii) de optimalisatie van de end-to-end logistiek van boeren tot distributiecentra (DC's) tot winkels en klanten.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Hellinckx Peter
• Co-promotor: Verdonck Tim

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject

Abstract

Net zoals vele industrieën, wordt ook de accountancysector vandaag geconfronteerd met een disruptieve digitalisatie. Deze digitalisatie zorgt ervoor dat er van accountants steeds meer proactieve dienstverlening wordt verwacht, waar vroeger de focus eerder op uitvoerend en compliance gerelateerd werk lag. Met ons project willen we accountants helpen bij het vervullen van deze nieuwe verwachtingen. Door het toepassen van geavanceerde statistische methodes en machine learning technieken, willen we in dit project sterk inzetten op volgende twee onderzoekstopics. In de eerste plaats willen we verschillende methodes testen en ontwikkelen om afwijkende waarden in boekhoud data te ontdekken. Dit helpt de accountant bij het automatiseren van standaard checks, maar ook om eventuele opportuniteiten te ontdekken. Ten tweede willen we robuuste en interpreteerbare cashflow voorspellingsmodellen testen en ontwikkelen. Voor beide gebieden zijn we er van overtuigd dat er nog steeds een enorm potentieel is om toegevoegde waarde te creëren voor de accountant. De samenwerking tussen Boltzmann biedt de ideale context voor dit project door de aanwezigheid van een rijke, steeds groeiende dataset, gecombineerd met professionele expertise op verschillende gebieden binnen het omkaderende project team.

Onderzoeker(s)

• Promotor: Verdonck Tim

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Het gegeneraliseerde lineaire model (GLM) is een erg populaire en flexibele klasse van regressiemodellen die gewone lineaire regressie generaliseren door bijvoorbeeld niet-normale responsvariabelen toe te staan. Logistische regressie, die veel wordt gebruikt voor binaire classificatie, en Poisson-regressie, vaak gebruikt om telgegevens te modelleren, behoren beide tot deze klasse. De parameters worden meestal geschat via maximum likelihood, maar dit leidt vaak tot verschillende problemen bij het analyseren van echte gegevens uit de praktijk. Ten eerste kunnen uitschieters in de gegevens de klassieke methoden sterk beïnvloeden, wat onbetrouwbare resultaten oplevert. Ten tweede wordt inschatten en interpreteren erg moeilijk of onmogelijk wanneer het aantal variabelen erg hoog wordt. Ten derde vertonen echte gegevens vaak een meer complex verspreidingsgedrag dan verwacht in het GLM-model. Om deze problemen op te lossen, zullen sparse en robuuste schattingsmethoden worden ontwikkeld die gelijktijdig het gemiddelde en het dispersiegedrag in de context van GLMs modelleren. Hun wiskundige eigenschappen zullen grondig worden onderzocht. De nieuw voorgestelde methoden moeten ook computationeel efficiënt zijn, zodat moderne grote datasets gemakkelijk kunnen worden geanalyseerd. Open-access gebruiksvriendelijke software zal worden verstrekt.

Onderzoeker(s)

• Promotor: Verdonck Tim
• Mandaathouder: Tubex Lise

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Klimaatverandering zal de Arctische ecosystemen meer treffen dan elk ander ecosysteem, met verwachte temperatuurstijgingen tot 4-6°C. Terwijl dit bedreigend is voor de integriteit en biodiversiteit van de ecosystemen, is de grotere ecosysteem feedback, veroorzaakt door deze verandering, nog zorgwekkender. Gedurende miljoenen jaren werd atmosferische koolstof opgeslagen in de Arctische bodem. Met de opwarming kan deze koolstof snel ontsnappen uit de bodem in de vorm van CO2 of (nog erger) de sterke broeikas-agent CH4. Ondanks tientallen jaren van onderzoek worstelen wetenschappers nog steeds met het identificeren van de schaal van deze koolstofuitwisseling en vooral wat de wisselwerking zal zijn met de klimaatverandering. Een overkoepelende vraag blijft: hoeveel koolstof zal potentieel ontsnappen in het Noordpoolgebied in het toekomstige klimaat en hoe zal dit de klimaatverandering beïnvloeden? FutureArctic verbindt deze onderzoeksuitdaging rechtstreeks met een intersectoraal trainingsinitiatief voor beginnende onderzoekers, dat zich erop richt "ecosystem-of-things"wetenschappers en -ingenieurs te vormen op de ForHot site. The FORHOT site in IJsland biedt een geothermisch gecontroleerde verwarmingsgradiënt van de bodemtemperatuur om te bestuderen hoe Arctische ecosysteemprocessen beïnvloed worden door temperatuurstijgingen zoals verwacht bij klimaatverandering.

Onderzoeker(s)

• Promotor: Latré Steven
• Co-promotor: Verdonck Tim

Onderzoeksgroep(en)

• Internet Data Lab (IDLab)

Project type(s)

• Onderzoeksproject