UvA en Bosch starten samen nieuw AI-onderzoekslab

Alexander Pil
25 maart

De Universiteit van Amsterdam en technologiebedrijf Bosch gaan hun bestaande samenwerking verder uitbreiden met de lancering van een nieuw publiek-privaat onderzoekslab. Delta Lab 2 – het vervolg op de succesvolle samenwerking Delta Lab 1 – zal zich richten op het gebruik van kunstmatige intelligentie en machine learning voor toepassingen in computervision, generatieve modellen en causaal leren.

AI is de sleutel in autonoom rijden. Foto: Bosch

‘Voor Bosch is samenwerking en nauwe uitwisseling met academische instellingen een essentieel onderdeel van onze inspanningen bij de ontwikkeling van veilige, robuuste en verklaarbare artificial intelligence’, zegt Michael Fausten, senior VP en hoofd van het Bosch Center for Artificial Intelligence (BCAI). ‘Door de eerder succesvolle samenwerking in het UvA-Bosch Delta Lab uit te breiden, realiseren we onze ambitie om grensverleggend onderzoek te combineren met een hoog toepassingspotentieel.’

Delta Lab 2 wordt onderdeel van ICAI, het nationale innovatiecentrum voor AI, dat is gevestigd op het Amsterdam Science Park. Het lab zal worden geleid door Jan-Willem van de Meent en Theo Gevers van de UvA. De dagelijkse leiding van het lab is in handen van Eric Nalisnick.

‘De samenwerking tussen UvA en Bosch in Delta Lab 1 is een groot succes’, stelt Gevers. ‘Op dat succes willen we voortbouwen met nieuw fundamenteel onderzoek naar machine learning en computervisiontechnologieën. We zijn blij dat Bosch blijft investeren in fundamenteel onderzoek, we gaan enthousiast door met werken aan onontgonnen terreinen van AI.’

In het Delta 2-lab werken tien promovendi, een postdoc en een labmanager de komende vijf jaar aan projecten met een totaal budget van 5,2 miljoen euro op nieuw onderzoek naar diepe (causale en PDE-gebaseerde) generatieve modellen; zekerheid en causaliteit in machine learning; en 3D-computervisie. Van de Meent: ‘Werken met Bosch vergemakkelijkt niet alleen de acceptatie van AI-innovaties in de industrie, maar biedt ook een schat aan use-cases die kunnen inspireren tot verdere innovaties, zoals het opnemen van fysieke kennis in modellen, het redeneren over hun causale structuur en het evalueren van de mate van vertrouwen die kan worden toegekend aan voorspellingen.’