Η καθηγήτρια του Πανεπιστημίου Θεσσαλίας δρ Ελπινίκη Παπαγεωργίου, που το διδακτορικό της και το ερευνητικό της έργο έχει επικεντρωθεί στην περιοχή της τεχνητής νοημοσύνης, μιλά για την ανάπτυξη ευφυών συστημάτων, νέα μοντέλα και χρήσιμες εφαρμογές τους σε κρίσιμους τομείς, από την ενέργεια και το περιβάλλον έως τη βιομηχανία και την ιατρική.
Η ίδια κατατάσσεται 1η επιστήμονας παγκοσμίως στην περιοχή των Ασαφών Γνωστικών Δικτύων (Fuzzy Cognitive Maps) (σύμφωνα με το Microsoft Academic Search). Το κύριο ερευνητικό έργο της δρ Παπαγεωργίου αφορά στον σχεδιασμό, ανάπτυξη και εφαρμογές έμπειρων συστημάτων, μεθόδων αναπαράστασης γνώσης και ευφυών συστημάτων, οι οποίες αποτελούν σημαντικές μεθοδολογίες της τεχνητής νοημοσύνης και του εφαρμοσμένου μέρους αυτής. Ειδικότερα, έχει παράσχει σημαντικό επιστημονικό έργο στην ανάπτυξη προηγμένων μεθοδολογιών μοντελοποίησης και ανάλυσης πολύπλοκων συστημάτων, βασισμένων στα ασαφή γνωστικά δίκτυα και στα έμπειρα συστήματα, ως προς την κατεύθυνση της αναπαράστασης και διαχείρισης γνώσης, με έμφαση σε αλγορίθμους τεχνητής νοημοσύνης, στην υποστήριξη και λήψη αποφάσεων, στην πρόβλεψη και στον στρατηγικό σχεδιασμό. Μέσω της ερευνητικής της δραστηριότητας η δρ Παπαγεωργίου προσπαθεί να σχεδιάσει και να αναπτύξει μοντέλα και αλγορίθμους τεχνητής νοημοσύνης, βασισμένους κυρίως στα Ασαφή Γνωστικά Δίκτυα, αλλά και σε συνδυασμούς αυτών με νέα προηγμένα μοντέλα μηχανικής μάθησης, για την επίλυση ιδιαίτερα δύσκολων και πολύπλοκων προβλημάτων λήψης αποφάσεων, με εύκολο και γρήγορο τρόπο. Tα ασαφή γνωστικά δίκτυα (ΑΓΔ) συνδυάζουν βασικά χαρακτηριστικά της ασαφούς λογικής και των νευρωνικών δικτύων, αποτελώντας μια πιο εξελιγμένη και με δυνατότητες εκμάθησης μεθοδολογία, στο πεδίο της τεχνητής νοημοσύνης. Ακολουθώντας τις εξελίξεις στη μηχανική μάθηση, τα έμπειρα συστήματα και τα ασαφή γνωστικά δίκτυα έχουν ενσωματώσει προηγμένες τεχνικές εκπαίδευσης, οι οποίες μπορούν να διαχειριστούν ακόμη και μικρές ποσότητες δεδομένων και να εκπαιδεύσουν επαρκώς ένα σύστημα, βρίσκοντας σημαντική και εκτεταμένη εφαρμογή σε πλήθος πεδίων, όπως αποδεικνύεται, τόσο από τον μεγάλο αριθμό των δημοσιευμένων εργασιών της, όσο και των ερευνητικών προγραμμάτων της σε διάφορους τομείς, όπως η βιομηχανία Industry 4.0, business, η ιατρική, η γεωργία, η ενέργεια και το περιβάλλον. Είναι αξιοσημείωτη η συνεισφορά της δρ Παπαγεωργίου σε νέα μοντέλα ΑΓΔ, που κατέχουν αυξημένες δυνατότητες στη διαχείριση της πολυπλοκότητας, της μη γραμμικότητας και της έλλειψης αξιόπιστων ποσοτικά δεδομένων και μέσω των προηγμένων αλγορίθμων εκπαίδευσής τους που έχει προτείνει, αποτελούν δυναμικά εργαλεία αναπαράστασης γνώσης, διάγνωσης, πρόβλεψης και υποστήριξης στη λήψη αποφάσεων σε κρίσιμους τομείς.
Πρόβλεψη ζήτησης φυσικού αερίου και προοπτικών ανάπτυξης της ηλιακής ενέργειας
«Η πρόβλεψη ζήτησης-κατανάλωσης του φυσικού αερίου αλλά και του ηλεκτρικού φορτίου είναι ιδιαίτερα σημαντική, καθώς αποτελεί αναγκαίο μέσο για τη χάραξη αποδοτικών πολιτικών αναφορικά με τη διαχείριση και τον σχεδιασμό της βιωσιμότητας της ενέργειας. Πρόσφατα με την ερευνητική μου ομάδα έχουμε διερευνήσει και προτείνει καινοτόμους αλγορίθμους τεχνητής νοημοσύνης και μηχανικής μάθησης για πρόβλεψη της ζήτησης φυσικού αερίου με υψηλή απόδοση. Τα Ασαφή Γνωστικά Δίκτυα αποτελούν επίσης αξιόπιστη λύση στο συγκεκριμένο αντικείμενο έρευνας, καθώς είναι απλή, ευέλικτη και ιδιαίτερα αποδοτική τεχνική, όσον αφορά στην ακρίβεια της πρόβλεψης, ενσωματώνοντας προηγμένες τεχνικές εκπαίδευσης, που μπορούν να διαχειριστούν σχετικά μικρές ποσότητες δεδομένων και να εκπαιδεύσουν επαρκώς το μοντέλο, αντιμετωπίζοντας ως ένα βαθμό την ασάφεια. Η έρευνα αποδοτικών εργαλείων πρόβλεψης της ζήτησης στον ενεργειακό τομέα όσον αφορά στην ακρίβεια, συνεχίζεται δυναμικά τον τελευταίο χρόνο στο νέο Τμήμα Συστημάτων Ενέργειας, μέσω συνεργασιών με εταιρείες που δραστηριοποιούνται στον χώρο και αποτελεί σημαντικό εφόδιο για τους φορείς διαμόρφωσης πολιτικής (policy-makers), στην προσπάθειά τους να επιλέξουν σωστές και αποδοτικές στρατηγικές». Το ερευνητικό ενδιαφέρον της δρ. Παπαγεωργίου επικεντρώνεται στην πρόβλεψη της ζήτησης της ενέργειας με εφαρμογή στην πρόβλεψη φυσικού αερίου, χρησιμοποιώντας εξελιγμένες μεθόδους και μοντέλα, όπως αυτά των Ασαφών Δικτύων, Τεχνητών Νευρωνικών Δικτύων και σε υβριδικούς συνδυασμούς τους. Έχει επίσης προταθεί μια νέα, καινοτόμα προσέγγιση με την εφαρμογή της νευρο-ασαφούς μεθοδολογίας (ANFIS αρχιτεκτονική) για βραχυπρόθεσμη πρόβλεψη ζήτησης, η οποία εφαρμόστηκε ειδικότερα στο πρόβλημα της πρόβλεψης της κατανάλωσης του φυσικού αερίου στην Ελλάδα. Τα παραχθέντα ερευνητικά αποτελέσματα αποδεικνύουν την αξιοθαύμαστη απόδοση των μεθόδων, που εφαρμόστηκαν αναφορικά με την ακρίβεια της πρόβλεψης, τη διαχείριση της ασάφειας, την ευελιξία σε μεγάλο όγκο δεδομένων, την ευκολία χρήσης και τον μικρό χρόνο εκτέλεσης. Συνολικά, τα μοντέλα που παράχθηκαν, μπορούν να αξιοποιηθούν σε ανώτερο επίπεδο από εμπειρογνώμονες για την υποστήριξη στην τελική λήψη αποφάσεων. Η ευρεία χρήση της πολλά υποσχόμενης ηλιακής ενέργειας, αποτελεί αναπόσπαστο χαρακτηριστικό των κυβερνήσεων στις παγκόσμιες προσπάθειες για τον περιορισμό των μελλοντικών εκπομπών και τη μείωση της κατανάλωσης ορυκτών καυσίμων. Ωστόσο, οι προοπτικές της ανάπτυξης της ηλιακής ενέργειας σε στρατηγικό επίπεδο καθοδηγούνται από εγγενείς αβεβαιότητες σε μακροπρόθεσμη προοπτική. Καθώς αυτές οι απρόβλεπτες αστάθειες μπαίνουν στο παιχνίδι, επηρεάζουν σε μεγάλο βαθμό τις μελλοντικές τάσεις, που διαμορφώνονται από μια σειρά εξωγενών και ενδογενών παραγόντων, όπως οι πολιτικοί, οικονομικοί, κοινωνικοί, τεχνολογικοί, περιβαλλοντικοί και νομικοί παράγοντες (PESTEL). Πρόσφατη ερευνητική μελέτη της Δρ Παπαγεωργίου αποσκοπεί στον εντοπισμό, τον χαρακτηρισμό και την ανάλυση επιρροών των παραγόντων PESTEL, που διαμορφώνουν τη δυναμική των ηλιακών φωτοβολταϊκών (SPV) σε ένα αβέβαιο περιβάλλον. Η δρ Παπαγεωργίου εφάρμοσε τα δυναμικά Ασαφή Γνωστικά Δίκτυα (ΑΓΔ), για να διερευνήσει το πώς οι εμπλεκόμενοι παράγοντες αλληλεπιδρούν δυναμικά και συμπεριφέρονται συλλογικά στο σύστημα, προτείνοντας σενάρια για τη βέλτιστη διαχείριση της ηλιακής ενέργειας. Η ομάδα της δρ Παπαγεωργίου ανέπτυξε ένα μοντέλο πρόβλεψης αποδοτικών πολιτικών μέσω προηγμένων μεθοδολογιών ασαφών γνωστικών δικτύων, με δυναμικά χαρακτηριστικά μάθησης, για ανάλυση σεναρίων, έχοντας ως απώτερο στόχο τη βιώσιμη κοινωνική-οικονομική-περιβαλλοντική ανάπτυξη.
Βιομηχανική παραγωγή μηδενικών σφαλμάτων
Η δρ Παπαγεωργίου είναι επιστημονικά υπεύθυνη του ευρωπαϊκού έργου OPTIMAI που πραγματεύεται την ανάπτυξη ενός βιομηχανικού οικοσυστήματος, το οποίο επικεντρώνεται στη βελτιστοποίηση της παραγωγής μέσω της Έξυπνης Οργάνωσης, Μετρολογίας, Τεχνητής Νοημοσύνης, Εικονικής και Επαυξημένης Πραγματικότητας. Προς αυτήν την κατεύθυνση, η ίδια και η ερευνητική της ομάδα σχεδιάζουν και αναπτύσσουν προηγμένους αλγορίθμους τεχνητής νοημοσύνης, για την ανίχνευση ελαττωματικών μηχανών ή διαδικασιών που αφορούν στην παραγωγή προϊόντων μηδενικών ελαττωμάτων (zero-defect manufacturing). Στο πλαίσιο υποστήριξης αποφάσεων για την παραγωγή προϊόντων μηδενικών ελαττωμάτων μέσω έξυπνης παρακολούθησης και ελέγχου της παραγωγής, καθώς και για τον βέλτιστο σχεδιασμό της παραγωγής μέσω της εικονικής πραγματικότητας και της τεχνητής νοημοσύνης, οι ερευνητικές προσπάθειες της δρ Παπαγεωργίου σε συνεργασία με την ερευνητική ομάδα του ΕΚΕΤΑ (Εθνικό Κέντρο Έρευνας και Τεχνολογικής Ανάπτυξης) στο έργο, εστιάζουν στην ανάπτυξη κατάλληλων μεθοδολογιών βασισμένων στην Τεχνητή Νοημοσύνη, που θα εξασφαλίζουν την παραγωγή μηδενικών σφαλμάτων μέσω της ανάλυσης δεδομένων από πολλαπλούς αισθητήρες, της ανίχνευσης ελαττωμάτων και του εντοπισμού των αιτιών των ελαττωμάτων κατά τη διαδικασία κατασκευής.
Συστήματα διάγνωσης και υποστήριξης αποφάσεων στην Ιατρική
«Η έγκαιρη και έγκυρη διάγνωση μιας νόσου αποτελεί βασικό μέλημα των ιατρών κάθε ειδικότητας. Τις περισσότερες φορές όμως ο γιατρός καλείται να διαχειριστεί πληθώρα ιατρικών ετερογενών δεδομένων, προκειμένου να λάβει τις ενδεδειγμένες ιατρικές αποφάσεις. Η πρόκληση αυτή δύναται να αντιμετωπιστεί και να υποβοηθηθεί με την ανάπτυξη Συστημάτων Υποστήριξης Ιατρικών Αποφάσεων (ΣΥΙΑ), τα οποία βασίζονται σε μοντέλα Τεχνητής Νοημοσύνης, που χρησιμοποιούν προηγμένες αναλυτικές τεχνικές εξόρυξης δεδομένων, βαθιάς μάθησης και μοντελοποίησης της γνώσης. Η λήψη αποφάσεων στον τομέα της ιατρικής διάγνωσης εμπεριέχει ένα βαθμό αβεβαιότητας και την ανάγκη να ληφθούν υπόψη οι κλινικές παράμετροι του ασθενούς, ο τύπος της ασθένειας και η επιστημονική γνώση του γιατρού για τον καθορισμό και την επιβεβαίωση της τελικής διάγνωσης. Στο πλαίσιο αυτό, διερευνήθηκαν και αξιολογήθηκαν επαρκώς μοντέλα τεχνητής νοημοσύνης, τα οποία βασίζονται στα ασαφή γνωστικά δίκτυα και σε μια πληθώρα προηγμένων τεχνικών επεξεργασίας και κατηγοριοποίησης της ιατρικής εικόνας, που αποδείχθηκαν ως οι πλέον αποτελεσματικές τεχνικές τεχνητής νοημοσύνης στη λήψη αποφάσεων». Σε αυτή την κατεύθυνση, η δρ. Παπαγεωργίου υλοποίησε και εφάρμοσε έναν σημαντικό αριθμό έμπειρων συστημάτων διάγνωσης και υποστήριξης αποφάσεων στην ιατρική, κάποια από τα οποία παρουσιάζονται ενδεικτικά στη συνέχεια.
Εφαρμογή σε πρόβλημα λήψης απόφασης στην ακτινοθεραπεία για την επιλογή πλάνου θεραπείας
Η θεραπεία ασθενών που πάσχουν από καρκίνο με τη χρήση ιοντιζουσών ακτινοβολιών, γνωστή ως ακτινοθεραπεία, είναι μια σημαντική διαδικασία κατά την οποία ο γιατρός πρέπει να καθορίσει τόσο το είδος της ακτινοβολίας και τον τρόπο ακτινοβόλησης όσο και τη δόση που θα δεχθεί ο όγκος, που υπόκειται σε ακτινοβολία. Προκειμένου να καθορισθεί αυτή η διαδικασία, ο γιατρός λαμβάνει υπ’ όψιν πολλούς διαφορετικούς παράγοντες, μετρήσεις και μεταβλητές, που μπορεί να αλληλοεπιδρούν και να σχετίζονται μεταξύ τους. Συγχρόνως θα πρέπει να ικανοποιούνται δύο σημαντικά κριτήρια-περιορισμοί της ακτινοθεραπείας: Η μέγιστη δυνατή ακτινοβόληση και καταστροφή του καρκινικού όγκου και όσο το δυνατό μικρότερη καταστροφή υγιών κυττάρων και μηδαμινή επίδραση της ακτινοβολίας στα ευαίσθητα όργανα που βρίσκονται γύρω από τον όγκο. Αντιλαμβανόμενη αυτή τη δυσκολία και την πολυπλοκότητα του συγκεκριμένου προβλήματος, πρότεινε ένα νέο μοντέλο υπολογισμού και εκτίμησης της δόσης που λαμβάνει ο όγκος-στόχος στην ακτινοθεραπεία, καθώς και της επίδρασης της δόσης στους υγιείς ιστούς και τα ευαίσθητα όργανα, με τη χρήση των Ασαφών Γνωστικών Δικτύων (ΑΓΔ), τα οποία έχουν τη δυνατότητα να διαχειρίζονται τέτοια πολύπλοκα προβλήματα, λαμβάνοντας υπ’ όψιν όλες τις απαιτούμενες παραμέτρους.
Διάγνωση καρκίνου του μαστού μέσω της μοντελοποίησης της γνώσης των έμπειρων γιατρών, αλλά και της ανάλυσης ιατρικής εικόνας
Παρατηρείται τελευταία μια αυξανόμενη τάση κατάταξης των γυναικών σε διαφορετικές ομάδες κινδύνου εκδήλωσης καρκίνου του μαστού. Σε αυτή τη βάση, το επίκεντρο των ερευνών της δρ. Παπαγεωργίου εστιάζει στην ανάπτυξη ενός ολοκληρωμένου μοντέλου πρόβλεψης κινδύνου, χρησιμοποιώντας ένα μοντέλο δύο επιπέδων Ασαφών Γνωστικών Δικτύων (FCM). Το προτεινόμενο μοντέλο συνδυάζει τα αποτελέσματα της μαστογραφίας με λοιπούς δημογραφικούς παράγοντες κινδύνου για την πρόβλεψη του κινδύνου ανάπτυξης καρκίνου του μαστού, παρέχοντας υψηλή ακρίβεια. Υπό το πρίσμα των κλινικών ογκολόγων, αυτό αποτελεί ένα ολοκληρωμένο σύστημα υποστήριξης ιατρικών αποφάσεων, που τους βοηθά στην αποτελεσματική αποτίμηση του αναμενόμενου επιπέδου κινδύνου του καρκίνου του μαστού για τον συγκεκριμένου ασθενή και ως εκ τούτου την πιο εντατική επιτήρηση των γυναικών με υψηλό ρίσκο.
Εξατομικευμένη διάγνωση και Συστήματα Υποστήριξης Ιατρικών Αποφάσεων (ΣΥΙΑ)
Η πρόσφατη ερευνητική δραστηριότητα της ομάδας της σε συνεργασία με έμπειρους γιατρούς από Νοσοκομεία της Ελλάδας και του εξωτερικού, επικεντρώνεται σε ερμηνεύσιμα μοντέλα τεχνητής νοημοσύνης, για την αντιμετώπιση των πρόσφατων προκλήσεων της εξατομικευμένης διάγνωσης, μέσω της ανάλυσης μεγάλου όγκου κλινικών δεδομένων και ιατρικής εικόνας. Στο πλαίσιο αυτής της ερευνητικής προσπάθειας και της υποστήριξης της έρευνας των μελών ΔΕΠ, η δρ Παπαγεωργίου έλαβε χρηματοδότηση από το ΕΛΙΔΕΚ για τον σχεδιασμό νέων μοντέλων διάγνωσης και πρόβλεψης καρδιαγγειακών παθήσεων, τη διάγνωση της στεφανιαίας νόσου (ΣΝ) και του μεγαλο-κυτταρικού καρκίνου του πνεύμονα (ΜΚΚΠ), οι οποίες είναι πολύπλοκες παθήσεις, που χρήζουν εξατομικευμένης διάγνωσης, ενσωματώνοντας γνώσεις από νέες έρευνες, κλινικές δοκιμές και ηλεκτρονικά αρχεία ασθενών. Η προτεινόμενη ερευνητική προσπάθεια θα προσφέρει στον τομέα της ιατρικής περίθαλψης μια εξατομικευμένη λύση ικανή να: (α) εντοπίσει τους δείκτες πρόβλεψης πιθανότητας μελλοντικών συμβάντων (π.χ. ισχαιμικά επεισόδια, καρδιακές προσβολές, θνησιμότητα), (β) κάνει πρόγνωση και ταξινόμηση διαφόρων περιστατικών ΣΝ και ΜΚΚΠ, και (γ) να υιοθετήσει μια νέα ολιστική ασθενο-κεντρική προσέγγιση μοντέλων πρόβλεψης με πολυδιάστατες επιπτώσεις στην ελληνική και ευρωπαϊκή οικονομία, κοινωνία και την ιατρική κοινότητα.
Βιογραφικό
Η δρ Ελπινίκη Παπαγεωργίου γεννήθηκε στη Λάρισα και σπούδασε στο Πανεπιστήμιο Πατρών, τελειώνοντας τις προπτυχιακές και μεταπτυχιακές σπουδές της με άριστα και με πολλές υποτροφίες και βραβεία από το ΙΚΥ (Ιδρυμα Κρατικών Υποτροφιών). Είναι πρόεδρος του Τμήματος Συστημάτων Ενέργειας και διευθύντρια του προγράμματος Μεταπτυχιακών Σπουδών (ΠΜΣ) «Ενεργειακές Τεχνολογίες και Συστήματα Αυτοματισμών» του Πανεπιστημίου Θεσσαλίας. Η κύρια ερευνητική της εξειδίκευση είναι η ανάπτυξη νέων αλγορίθμων και ασαφών μοντέλων για έξυπνα συστήματα υποστήριξης λήψης αποφάσεων, που επικεντρώνονται στα Ασαφή Γνωστικά Δίκτυα (ΑΓΔ). Η ίδια κατατάσσεται 1η επιστήμονας παγκοσμίως στην περιοχή των Ασαφών Γνωστικών Δικτύων (Fuzzy Cognitive Maps) (σύμφωνα με το Microsoft Academic Search). Το διδακτορικό της και το συνολικό ερευνητικό της έργο είναι στην περιοχή των έμπειρων συστημάτων και τεχνητής νοημοσύνης. Έχει δημοσιεύσει περισσότερες από 260 εργασίες σε περιοδικά, συνέδρια και κεφάλαια βιβλίων, και το ερευνητικό της έργο έχει λάβει σημαντική αναγνώριση από την επιστημονική κοινότητα, κατατάσσοντάς τη στη θέση 863 παγκοσμίως στο ερευνητικό αντικείμενο «Artificial Intelligence», που την τοποθετεί στο 1% of the top influential scientists in AI. Επίσης έχει διακριθεί στους κορυφαίους επιστήμονες στην Επιστήμη Υπολογιστών βάσει της λίστας Guide–2–Research (βλ. https://www.guide2research.com/scientists/GR ).