Ο στόχος αυτής της δραστηριότητας είναι να συμβάλει στη δημιουργία νέων μεθοδολογικών προσεγγίσεων για τη σχεδίαση και ανάπτυξη τεχνολογιών Τεχνητής Νοημοσύνης με επίκεντρο τον άνθρωπο. Η Ανθρωποκεντρική Τεχνητή Νοημοσύνη είναι ένας αναδυόμενος ερευνητικός κλάδος που στοχεύει στον σχεδιασμό και στην ανάπτυξη ευφυών συστημάτων που δεν είναι μόνο τεχνολογικά προηγμένα, ωφέλιμα και αποτελεσματικά, αλλά και ηθικά ευθυγραμμισμένα με τις πανανθρώπινες αξίες και στόχους της κοινωνίας. Ως εκ τούτου, το συγκεκριμένο πεδίο έρευνας επικεντρώνεται στη δημιουργία συστημάτων Τεχνητής Νοημοσύνης που θα μπορούν να προβλέψουν και να προσαρμοστούν στις ανθρώπινες ανάγκες και προτιμήσεις, ενώ παράλληλα θα είναι διαφανή, υπεύθυνα και ευεξήγητα, βοηθώντας τους τελικούς χρήστες να αντιληφθούν εύκολα τη συλλογιστική τους και τα αποτελέσματά τους. Οι δραστηριότητες του Εργαστηρίου σε αυτόν τον τομέα περιλαμβάνουν έρευνα και μεθοδολογικές προτάσεις για τη διερεύνηση του τρόπου με τον οποίο μπορεί να επιδιωχθεί και να εφαρμοστεί η ανθρωποκεντρική σχεδίαση στον πυρήνα της Τεχνητής Νοημοσύνης, θέτοντας στο επίκεντρο του κύκλου ανάπτυξης τον άνθρωπο. Στη συνέχεια, τα αποτελέσματα της ανωτέρω έρευνας χρησιμοποιούνται για την ανάπτυξη τεχνολογιών Τεχνητής Νοημοσύνης σε ποικίλους τομείς, όπως στην ασφάλεια, σε βιομηχανικά περιβάλλοντα, σε συστήματα οπτικοποίησης μεγάλων δεδομένων, κ.ο.κ.
Human-Centered Design framework for Artificial Intelligence (2021): This framework focuses on describing how the human-centered design (HCD) process can be revisited and expanded in an artificial intelligence (AI) context, proposing a methodological approach for putting the human in the loop. It explores how exactly the ‘human-in-the loop’ paradigm can be pursued and relevant core AI concepts and approaches.https://doi.org/10.1002/9781119636113.ch42
Real-Time Adaptation of Context-Aware Intelligent User Interfaces, for Enhanced Situational Awareness (2021): A novel computational approach for the dynamic adaptation of User Interfaces (UIs) is proposed, which aims at enhancing the Situational Awareness (SA) of users by leveraging the current context and providing the most useful information, in an optimal and efficient manner. By combining Ontology modeling and reasoning with Combinatorial Optimization, the system decides what information to present, when to present it, where to visualize it in the display - and how , taking into consideration contextual factors as well as placement constraints.https://doi.org/10.1109/ACCESS.2022.3152743
Real-Time Stress Level Feedback from Raw ECG Signals for Personalised, Context-Aware Applications Using Lightweight Convolutional Neural Network Architectures (2021): Convolutional Neural Network architectures for the stress detection and 3-level (low, moderate, high) stress classification tasks, using ultra short-term raw ECG signals (3 s). One architecture is suitable for running in wearable edge-computing nodes, and the other is able to learn more complex features, having more trainable parameters. The evaluation demonstrated high accuracy both on the 3- and 2-level stress classification task using, superseding state-of-the-art in the field, reporting an accuracy of 83.55% and 98.77% respectively.https://doi.org/10.3390/s21237802
Methods and tools, based on no-reference Machine Learning (ML) approaches, for the real-time assessment of the Quality of Experience of interactive media (2021): An automatic QoE estimation framework, focusing on the case of video streaming. To achieve this objective, a novel architecture is introduced for encoding both visual and network-related information and validate the merits of the proposed scheme on an appropriately defined large-scale dataset. Experimental results indicate that considering all types of available information leads to the best performance in terms of prediction accuracy.
