Ait2Me er en adapter til eksisterende inhalatorer, som betydeligt forbedrer leveringerne af medicin i lungerne. En bedre behandling af Astma og KOL patienter, skønnes at have en samfundsøkonomisk værdi på mellem DKK 4-5 mia. - alene i Danmark. Dertil skal lægges den forbedrede livskvalitet for den enkelte patient. Nogle af de "skjulte" omkostninger ved inhalatorisk behandlingssvigt er: • Tabt arbejdsproduktivitet • Flere hospitalindlæggelser (50% større sandsynlighed for indlæggelse ved fejlbehandling) Ved optimal behandling med Air2Me vil disse kunne reduceres. Med støtte fra Innovationsfonden vil det være muligt at få produceret og testet de første versioner af produktet. Planen er, at Air2Me skal sælges til eksisterende producenter af inhalatorer. Vi forventer der skal produceres 2 modeller. En "billig" model til masse produktion samt en individuelt personalisérbar model af højre kvalitet. Dette kræver dog yderligere analyse før dette endeligt besluttes. Vi vurderer, at den bedste udbredelse af Air2Me i markedet, vil være i samarbejde med en af de eksisterende producenter af inhalator dosimetre. Dette vil være aktuelt når vi efter kliniske forsøg har opnået proof of concept for Air2Me. Efter som marked for lunge sygdomme desværre er stigende, tror vi også på muligheden for at etablerer en sund virksomhed i dette marked.

Fair Match vil bidrage til en mere retfærdig og lige behandling af kandidater og arbejdspladser og gøre det lettere for kandidater at finde job og for arbejdspladser at finde kandidater. FairMatch udvikler et fairness-dashboard og kandidat/job anbefalingsalgoritmer, der tager højde for flersidet fairness, og fremmer state-of-the-art forskning inden for "fair AI". Jobindex forventer, at FairMatch vil bidrage til vækst i omsætning og markedsandele samt til øget vækst og velfærd i samfundet.

Dette ph.d.-projekt udvikler nye hurtige og nøjagtige surrogatmodel-metoder baseret på fysik-guidet maskinlæring til at emulere DHI's MIKE modeller som bruges til løsning af vandrelaterede klimaudfordringer. Formålet er at opnå markant hurtigere beregninger og derved muliggøre anvendelser som usikkerhedsvurdering og klimascenarier. Fokus er på modelarkitektur med lavere ordens-repræsentation, effektiv træning og integration af fysisk viden for at sikre generalisering, robusthed og stabilitet.

Today’s automation by means of robots to a large extent relies on manual processes and case by case programming. Therefore, the establishment of automation solutions usually takes long time and requires high level engineering expertise that needs to be built up during extensive university educations as well as practical experience. This makes the process of deploying solutions slow and expensive. All together this severely limits how companies can adopt robotic solutions cost-efficiently. The aim of this project is to enable robot suppliers to develop products that can capture the knowledge embedded in already running automation solutions and make it available for fast engineering of new efficient automation solutions. The vision is that this can be enabled by products and methods that combine (1) a data infrastructure in which robot data of already established solutions is gathered, (2) a search system by which an operator can find relevant solution elements and (3) methods that allow the operator to connect the found elements into a new robot system. The project will achieve this in a close collaboration between robot suppliers, manufacturing companies, and universities. The project will enable (1) the suppliers to address new business opportunities, (2) the manufacturing companies to faster establish new as well as optimizing already running robot solutions and (3) the universities to create new knowledge in the intersection between digitalization and automation.