Η ερευνητική ομάδα της EasyHPC επικεντρώνεται στην ανάπτυξη προηγμένων τεχνολογιών Παραγωγής Πολυμερών, Μηχανικής Μάθησης, Τεχνητής Νοημοσύνης και Υπολογιστικής Μοντελοποίησης, με εφαρμογές σε πραγματικά βιομηχανικά και εκπαιδευτικά περιβάλλοντα. Στόχος μας είναι η αξιοποίηση μεθόδων βαθιάς μάθησης, ημι-επιβλεπόμενων τεχνικών και συνθετικής δημιουργίας δεδομένων, ώστε να παράγουμε λύσεις υψηλής απόδοσης που μειώνουν το κόστος, αυξάνουν την αξιοπιστία και ξεκλειδώνουν νέες δυνατότητες αυτοματισμού.

enter image description here

Το ερευνητικό έργο της ομάδας καλύπτει ένα ευρύ φάσμα επιστημονικών περιοχών, όπως:

  • Educational Data Mining & EdTech AI
    Βελτίωση εκπαιδευτικών συστημάτων μέσω ευφυών αναλυτικών μοντέλων.

  • Βιομηχανική Διάγνωση & Predictive Maintenance
    Ανίχνευση και πρόβλεψη βλαβών με ελάχιστα επισημασμένα δεδομένα.

  • Synthetic Data Generation & Data Augmentation
    Δημιουργία τεχνητών δεδομένων για αύξηση ποιότητας και ποσότητας διαθέσιμης πληροφορίας.

  • High Performance Computing (HPC)
    Επιτάχυνση αλγορίθμων και AI workloads σε υποδομές υψηλών επιδόσεων.

  • Βελτιστοποίηση Παραγωγικών Διαδικασιών
    Εφαρμογή AI για έλεγχο ποιότητας, προσομοιώσεις και αυτοματοποίηση.

Μέσα από διεθνείς δημοσιεύσεις, συνέδρια και συνεργασίες με ακαδημαϊκούς και βιομηχανικούς φορείς, η EasyHPC συμβάλλει ενεργά στην εξέλιξη των υπολογιστικών επιστημών και στην ενσωμάτωσή τους σε καινοτόμες επιχειρησιακές εφαρμογές.

Title Authors Year Venue DOI/Pages Short Description (EL)
Enhancing Semi-Supervised Learning in Educational Data Mining Through Synthetic Data Generation Using Tabular Variational Autoencoder Kostopoulos, G., Fazakis, N., Kotsiantis, S. & Dimakopoulos, Y. 2025 Algorithms (MDPI) Vol.18(10), p.663 Χρήση TVAE για δημιουργία συνθετικών δεδομένων και βελτίωση ημι-επιβλεπόμενης μάθησης σε εκπαιδευτικά δεδομένα. Δείχνει ότι τα τεχνητά δεδομένα μειώνουν την εξάρτηση από χειρωνακτική επιμέλεια και αυξάνουν την ακρίβεια πρόβλεψης.
Fault Detection in Inverter-Driven Permanent Magnet Synchronous Motor Systems Using Semi-Supervised Learning Davrazos, G., Fazakis, N. & Kotsiantis, S. 2025 IFIP AIAI Conference, Springer Nature pp. 74–86 Ανίχνευση βλαβών σε κινητήρες PMSM με ημι-επιβλεπόμενη μάθηση. Εντοπίζονται βλάβες με λίγα ετικετοποιημένα παραδείγματα, βελτιώνοντας αξιοπιστία και προληπτική συντήρηση σε βιομηχανικά συστήματα.
Τελευταία τροποποίηση: Τρίτη, 9 Δεκεμβρίου 2025, 11:40 AM