CLEAR - Comprehensive Learning for Enhanced AI Responsiveness

1. Contexto do Projeto Internacional A presente candidatura surge como resultado de uma candidatura do Programa ITEA4 – Eureka (CLEAR 24026). O projeto CLEAR visa melhorar a fiabilidade e a capacidade de resposta da IA para aplicações industriais, superando os desafios da integração de dados multimodais e não convencionais através de soluções inovadoras, de modo a impulsionar a eficiência empresarial e a competitividade europeia no setor. O projeto internacional CLEAR é promovido por um consórcio internacional constituído por 32 entidades, de 8 países, que reúnem as competências necessárias para assegurar as atividades do projeto: • Bélgica: Materialise, Sirris, I-Care, Voxelsensors. • Canadá: Mobile Innovations, Ontario Tech, Iotum Corp. • Espanha: Universidad Carlos III de Madrid, Panel Sistemas, ONIZEA. • Estónia: STACC, eAgronom. • Finlândia: Vaadin, Wapice, VTT. • Países Baixos: WUR, PROD, IMEC, TNO, Datacation, Canon, Prodrive, Thermo Fisher. • Portugal: ISEP, DareData, NOS. • Suécia: RISE, Test Scouts, Ekkono, Alstom, RISE ICE, National Academic Infrastructure for Supercomputing in Sweden (NAISS). De forma a endereçar o objetivo geral do projeto, o consórcio irá desenvolver um conjunto alargado de soluções tecnológicas e não só, em duas vertentes: ? Cluster 1(Integração): aborda os desafios críticos de integração que os sistemas de IA enfrentam em indústrias como a alta tecnologia, ferroviária e agricultura ao lidar com dados multimodais diversos. Problemas-chave e respectivas soluções incluem: o S1.1: Organização e Ligação de Dados, melhorar a qualidade dos dados com pré-processamento e fusão de dados multimodais, usando graficos de conhecimento para ligação estruturada. o S1.2: Escassez de Dados lidar com a falta de dados através de aumento (e.g., rotações, sinónimos) e geração de dados sintéticos (e.g., GANs, LLMs) para cenários raros. o S1.3: Combinação de Dados em Modelos Multimodais integrar diversos tipos de dados (texto, imagem, áudio) em frameworks multimodais, utilizando Geração Aumentada por Recuperação (RAG) e otimização computacional. o Pesquisa de Dados Multimodais Permitir a consulta eficiente de dados multimodais com RAG, garantindo precisão contextual e facilitando o acesso rápido a informações para utilizadores, como engenheiros de serviço. ? Cluster 2(Confiança): aborda os desafios que as indústrias enfrentam na adoção de ferramentas de IA devido a preocupações com a precisão, fiabilidade e transparência dos sistemas. As "alucinações" da IA comprometem a tomada de decisões, a segurança e a confiança do utilizador. O texto detalha três problemas principais: o S2.1: Raciocínio Baseado em Dados da Empresa: Integrar gráficos de conhecimento (KGs) e RAG para respostas precisas, contextuais e transparentes, construindo confiança na IA. o S2.2: Relevância e Segurança do Conhecimento: Utilizar KGs para gerir permissões de acesso e personalizar informações com base na função do utilizador, garantindo relevância e segurança dos dados. o S2.3: Mudança Contínua no Ambiente Industrial: Implementar feedback intuitivo e automatizado para refinar continuamente os modelos, com arquiteturas modulares para se adaptar a mudanças no ambiente industrial. O conceito da Solução CLEAR que permite aos utilizadores colocar uma questão multimodal, por exemplo, algum texto juntamente com uma imagem, permitindo ao LMM (Modelo Multimodal Grande) responder, adicionando, por exemplo, um vídeo de instrução ou um diagrama. O LMM é afinado com dados específicos da empresa de múltiplas modalidades (ver os nossos casos de uso) e pode ser melhorado pelo utilizador da empresa (engenheiros de serviço, clientes, etc.) utilizando o ciclo de feedback indicado para aprimorar ainda mais o LMM."