In the past few years, the EU has shown a growing commitment to address the rapid transformations brought about by the latest Artificial Intelligence (AI) developments by increasing efforts in AI regulation. Nevertheless, despite the growing body of technical knowledge and progress, the governance of AI-intensive technologies remains dynamic and challenging. A mounting chorus of experts expresses reservations about an overemphasis on regulation in Europe. Among their core arguments is the concern that such an approach might hinder innovation within the AI arena. This concern resonates particularly strongly compared to the United States and Asia, where AI-driven innovation appears to be surging ahead, potentially leaving Europe behind. This paper emphasizes the need to balance certification and governance in AI to foster ethical innovation and enhance the reliability and competitiveness of European technology. It explores recent AI regulations and upcoming European laws, underscoring Europe’s role in the global AI landscape. The authors analyze European governance approaches and their impact on SMEs and startups, offering a comparative view of global regulatory efforts. The paper highlights significant global AI developments from the past year, focusing on Europe’s contributions. We address the complexities of creating a comprehensive, human-centred AI master’s programme for higher education. Finally, we discuss how Europe can seize opportunities to promote ethical and reliable AI progress through education, fostering a balanced approach to regulation and enhancing young professionals’ understanding of ethical and legal aspects.
LINK
From diagnosis to patient scheduling, AI is increasingly being considered across different clinical applications. Despite increasingly powerful clinical AI, uptake into actual clinical workflows remains limited. One of the major challenges is developing appropriate trust with clinicians. In this paper, we investigate trust in clinical AI in a wider perspective beyond user interactions with the AI. We offer several points in the clinical AI development, usage, and monitoring process that can have a significant impact on trust. We argue that the calibration of trust in AI should go beyond explainable AI and focus on the entire process of clinical AI deployment. We illustrate our argument with case studies from practitioners implementing clinical AI in practice to show how trust can be affected by different stages in the deployment cycle.
The aim of this research/project is to investigate and analyze the opportunities and challenges of implementing AI technologies in general and in the transport and logistics sectors. Also, the potential impacts of AI at sectoral, regional, and societal scales that can be identified and chan- neled, in the field of transport and logistics sectors, are investigated. Special attention will be given to the importance and significance of AI adoption in the development of sustainable transport and logistics activities using intelligent and autonomous transport and cleaner transport modalities. The emphasis here is therefore on the pursuit of ‘zero emissions’ in transport and logistics at the urban/city and regional levels.Another goal of this study is to examine a new path for follow-up research topics related to the economic and societal impacts of AI technology and the adoption of AI systems at organizational and sectoral levels.This report is based on an exploratory/descriptive analysis and focuses mainly on the examination of existing literature and (empirical) scientific research publica- tions, previous and ongoing AI initiatives and projects (use cases), policy documents, etc., especially in the fields of transport and logistics in the Netherlands. It presents and discusses many aspects of existing challenges and opportunities that face organizations, activities, and individuals when adopting AI technology and systems.
The research proposal aims to improve the design and verification process for coastal protection works. With global sea levels rising, the Netherlands, in particular, faces the challenge of protecting its coastline from potential flooding. Four strategies for coastal protection are recognized: protection-closed (dikes, dams, dunes), protection-open (storm surge barriers), advancing the coastline (beach suppletion, reclamation), and accommodation through "living with water" concepts. The construction process of coastal protection works involves collaboration between the client and contractors. Different roles, such as project management, project control, stakeholder management, technical management, and contract management, work together to ensure the project's success. The design and verification process is crucial in coastal protection projects. The contract may include functional requirements or detailed design specifications. Design drawings with tolerances are created before construction begins. During construction and final verification, the design is measured using survey data. The accuracy of the measurement techniques used can impact the construction process and may lead to contractual issues if not properly planned. The problem addressed in the research proposal is the lack of a comprehensive and consistent process for defining and verifying design specifications in coastal protection projects. Existing documents focus on specific aspects of the process but do not provide a holistic approach. The research aims to improve the definition and verification of design specifications through a systematic review of contractual parameters and survey methods. It seeks to reduce potential claims, improve safety, enhance the competitiveness of maritime construction companies, and decrease time spent on contractual discussions. The research will have several outcomes, including a body of knowledge describing existing and best practices, a set of best practices and recommendations for verifying specific design parameters, and supporting documents such as algorithms for verification.
Kwaliteitscontroles in productieprocessen in de maakindustrie zijn vaak destructief en daarmee niet duurzaam. In dit project onderzoeken we hoe door toepassing van process mining op real time sensor data de kwaliteitscontrole al tijdens het productieproces kan worden uitgevoerd en potentiële problemen vroegtijdig ontdekt.Doel Het doel van het project is om op basis van realtime data de kwaliteit van het eindproduct van het productieproces te kunnen voorspellen en waar nodig het productieproces bij te sturen. Hiermee kan de industrie duurzamer werken. Resultaten Het project levert een AI software toolkit op met methoden en algoritmen voor toepassing in de productieprocessen in verschillende industrieën. Looptijd 15 januari 2021 - 15 november 2024 Aanpak Nieuwe process mining algoritmes worden ontwikkeld en getoetst in case studies bij verschillende industriële bedrijven. Op basis van de uitkomsten wordt een software toolkit ontwikkeld voor toepassing in de praktijk. Impact op onderwijs Studenten van instituut voor ICT gaan, samen met studenten van TU Eindhoven, cases studies uitvoeren bij verschillende industrieën. Cofinanciering Het project wordt gefinancierd door NWO (Nederlandse Organisatie voor Wetenschappelijk Onderzoek).
Nederlandse bedrijven lopen achter op het gebied van Smart Industry. Er wordt veel over nagedacht en geschreven, maar de daadwerkelijke toepassing staat nog in de kinderschoenen. Ondernemers zijn nog onvoldoende bekend met de komende digitale revolutie en de gevolgen daarvan voor hun bedrijf. Grote bedrijven kunnen complexe oplossingen aanschaffen. De mkb’er wil echter zelf met zijn proces kunnen experimenteren. Met vaak eenvoudige middelen is het mogelijk om met behulp van data het productieproces te optimaliseren of om de kwaliteit van een product te verbeteren. Dit project ontwikkelt methoden en tools die mkb’ers hierbij helpen. Bij bedrijven worden al veel data verzameld. Deze data staan vaak op verschillende locaties. Industriële computers houden gegevens over het proces bij. Handmatige kwaliteitscontroles worden ingevuld op formulieren en er worden rapporten opgesteld. Ook worden specifiek ontwikkelde meetsystemen gebruikt. Voor al deze bronnen zijn er wel deeloplossingen om de gegevens te ontsluiten. Een betaalbaar en handig systeem waarmee het bedrijf zelf daadwerkelijk inzicht krijgt in het gehele proces is er echter nog niet. In dit project onderzoeken we hoe je een gemakkelijk te gebruiken systeem ontwikkelt. We ontwikkelen daartoe een generiek en flexibel monitorsysteem waarmee data uit verschillende bronnen eenvoudig kunnen worden geïntegreerd en geanalyseerd. In het project doorlopen we vier fasen: 1) bepalen verbeterdoelstellingen, 2) dataverzameling, -handling en -opslag, 3) data-analyse en visualisatie, en 4) validatie, kennisverspreiding en –valorisatie. Als resultaat leveren we een hard- en softwaresysteem op, alsook een methode met best-practices voor de industrie. In het project richten we ons op actuele casussen van de consortiumpartners. Tegelijkertijd ontwikkelen we generieke kennis, waar niet alleen de partners direct mee verder kunnen, maar waar ook andere mkb’ers gebruik van kunnen maken. Op deze manier kunnen veel meer bedrijven belangrijke stappen zetten voor de ontwikkeling van Smart Industry in Nederland.
