AI-projekteket díjaztak a Chicagói Egyetem adat­tudományi képzésén

Négy területen mutattak be hallgatói fejlesztéseket

A University of Chicago MS in Applied Data Science programjának hallgatói augusztus 15-én tartották a Summer 2026 Capstone Showcase eseményt. A két bemutatóülésen összesen 14 projektet ismertettek. A témák között az egészségügy, a pénzügy, a biztosítás és a lakberendezés is szerepelt.

A záróprojekt-bemutató azokat a készségeket és ismereteket kapcsolja össze, amelyeket a hallgatók a képzés során sajátítanak el, valamint olyan valós problémákat és kutatási területeket, amelyek túlmutatnak az egyetemi tantermen. A program szerint az idei projektek között ipari partnerek által támogatott, kutatásközpontú és hallgatók által javasolt munkák is voltak.

AI-rendszer segíthet elképzelni az új lakberendezést

A Best in Show díj egyik nyertese az AI Home Design System lett, amelyet Aigul Azamat és Akshat Gupta mutatott be Nick Kadochnikov oktatói közreműködésével. A projekt abból a problémából indult ki, hogy sokan felismerik, milyen lakberendezési megoldás tetszik nekik, de nehezen írják le szavakkal az elképzeléseiket.

A rendszer lehetővé teszi, hogy a felhasználó feltöltsön egy fényképet a szobájáról, majd hasonló jellemzőkkel rendelkező, szakmailag átalakított tereket fedezzen fel. Egy inspiráció kiválasztása után a rendszer személyre szabott újratervezést készít úgy, hogy közben megőrzi az eredeti helyiség szerkezeti elemeit. A felhasználó ezt követően párbeszédben finomíthatja az egyes részleteket.

Orvosi képalkotás és hanggyakorlás

A másik Best in Show díjazott projekt a Physics-Regularized Time-Series Encoders for DCE-MRI Kinetic Analysis volt. Gustavo Martinez és Shreyas Tandulwadikar Batu Gundogdo oktatóval együtt olyan emlő-MRI-s problémát vizsgált, amely akkor jelentkezik, amikor nem áll rendelkezésre az aorta szükséges nézete a páciensre jellemző festékanyag-beadási görbe becsléséhez.

A csapat olyan szimulált adathalmazt készített, amely matematikailag pontos érjelzéseket illesztett valódi páciensfelvételekbe. Ezt az adathalmazt mélytanulási modellek betanítására és összehasonlítására használták az érerek felismeréséhez. A munka több mint 1000 címkézett, szimulált vizsgálatot eredményezett, és kijelölte az utat a modellek valódi páciensfelvételeken történő teszteléséhez.

Elismerésben részesült a Studio Copilot is, amelyet Sagana Ondande, Kaushik Kannan, Cicily Mathew, Joyce Zhang és Haobo Yang fejlesztett Batu Gundogdo oktatóval. Az AI-alapú gyakorlóeszköz az énektanulóknak ad visszajelzést a saját tanáruk rögzített órái alapján. A rendszer a tanár szóhasználatából és oktatási módszereiből merít, így a diákok a tanórák között is személyre szabott útmutatást kaphatnak.

Biztosítási portfóliók újraoptimalizálása

A Pyxidr projekt biztosítási eszközkezelők számára készült dinamikus portfólió-újraoptimalizálási keretrendszert mutatott be. Arthur Acker, Eloi Bernier, Grace Rowan és Jose Tovilla Rivera Francisco Azeredo oktatóval dolgozott a megoldáson. A rendszer a változó piaci körülményekhez igazodik, miközben figyelembe veszi a szabályozási és befektetési korlátokat.

A visszatesztelés a közlemény szerint ismétlődő javulást mutatott az összesített nettó, jogszabály szerinti eredményben a statikus, vétel és tartás alapú megközelítéshez képest. A megoldás irányítópulton és társalgási ügynökön keresztül érhető el. Ezek segítségével a felhasználók értelmezhetik az optimalizáló eredményeit, anélkül hogy maguk részt vennének a pénzügyi számításokban.

A bemutató a hallgatók számára a képzés végét jelentette, a projektek számára azonban nem feltétlenül. A bemutatott munkák orvosi képalkotási, pénzügyi, biztosítási, oktatási és személyre szabott AI-eszközökkel kapcsolatos problémákat céloztak, és a program szerint egyes ötletek a diploma megszerzése után is tovább fejlődhetnek.