Projekty badawczo-rozwojowe SEO4M
Obecnie rozwijane projekty B+R SEO4M obejmują obszary przemysłu ciężkiego,
infrastruktury technicznej, HR, sztucznej inteligencji oraz autonomicznych
systemów dronowych.
SEO4M rozwija
Projekty technologiczne łączące sztuczną inteligencję, analizę danych, modele predykcyjne, automatyzację oraz rozwiązania przemysłowe. Koncentrujemy się na przedsięwzięciach, które odpowiadają na rzeczywiste problemy biznesu i przemysłu, a jednocześnie posiadają potencjał do komercjalizacji oraz skalowania na rynkach krajowych i międzynarodowych.
Nasze projekty powstają we współpracy z przedsiębiorstwami, zespołami technologicznymi oraz jednostkami naukowymi. Łączymy kompetencje biznesowe, technologiczne i badawcze w taki sposób, aby efektem prac nie była jedynie koncepcja lub demonstrator, lecz rozwiązanie posiadające jasno określoną ścieżkę wdrożenia.
Poznaj naszych ekspertów
Naszą kadrę naukową tworzą specjaliści łączący wiedzę, doświadczenie badawcze i pasję do odkrywania nowych możliwości. Ich działalność obejmuje badania naukowe, rozwój innowacyjnych rozwiązań oraz dzielenie się wiedzą. Przedstawiamy wybrane osoby, których zaangażowanie i dorobek naukowy stanowią ważną część naszej działalności.
Jacek Kucharski
Dziekan Wydziału Elektrotechniki, Elektroniki, Informatyki i Automatyki Politechniki Łódzkiej, profesor uczelni i informatyk związany z Instytutem Informatyki Stosowanej. Posiada wieloletnie doświadczenie w zarządzaniu działalnością akademicką oraz ocenie jakości kształcenia. Członek Polskiej Komisji Akredytacyjnej na kadencję 2024-2027, zaangażowany również w europejskie inicjatywy dotyczące akredytacji kształcenia inżynierskiego.
Damian Batory
Profesor Politechniki Łódzkiej związany z Wydziałem Mechanicznym, specjalizujący się w inżynierii materiałowej, technologiach powłok ochronnych oraz badaniach tarcia i zużycia materiałów. Autor licznych publikacji naukowych, w tym monografii poświęconej właściwościom tribologicznym powłok węglowych. Jego badania obejmują również technologie przyrostowe, projektowanie generatywne i optymalizację elementów maszyn.
Krzysztof Ślot
Profesor Politechniki Łódzkiej i specjalista w dziedzinie sztucznej inteligencji, uczenia maszynowego oraz analizy obrazów i sygnałów. Posiada bogate doświadczenie międzynarodowe, zdobyte m.in. na Uniwersytecie Kalifornijskim w Berkeley oraz podczas pracy naukowej w Korei Południowej. Kierował zespołami realizującymi krajowe i międzynarodowe projekty badawcze, w tym finansowane z programów Horyzont 2020 i CHIST-ERA.
Grzegorz Mitukiewicz
Profesor Politechniki Łódzkiej związany z Katedrą Pojazdów i Podstaw Budowy Maszyn na Wydziale Mechanicznym. Prowadzi działalność naukową i dydaktyczną w obszarze inżynierii mechanicznej. Jego praca akademicka obejmuje m.in. zagadnienia konstrukcji maszyn oraz analizy numeryczne i doświadczalne, w tym badania właściwości cieplno-przepływowych wymienników ciepła.
Przemysław Kucharski
Pracownik naukowo-dydaktyczny Instytutu Mechatroniki i Systemów Informatycznych Politechniki Łódzkiej, związany z Wydziałem Elektrotechniki, Elektroniki, Informatyki i Automatyki. Prowadzi działalność dydaktyczną obejmującą m.in. podstawy sztucznej inteligencji. Pełni funkcję lidera projektu SEO ze strony Politechniki Łódzkiej, reprezentując uczelnię w realizacji przedsięwzięcia badawczo-rozwojowego.
Piotr Duch
Adiunkt w Instytucie Informatyki Stosowanej Politechniki Łódzkiej, specjalizujący się w sztucznej inteligencji, głębokich sieciach neuronowych i uczeniu ze wzmocnieniem. Współtwórca programu studiów magisterskich „Sztuczna inteligencja i uczenie maszynowe”, od 2017 roku opiekun studenckiego koła naukowego main. Lider projektu PRISM-HR ze strony Politechniki Łódzkiej, łączący doświadczenie badawcze z praktycznym zastosowaniem metod AI.
Piotr Łuczak
Adiunkt Instytutu Informatyki Stosowanej Politechniki Łódzkiej, specjalizujący się w inteligentnych systemach hybrydowych, obliczeniach hiperwymiarowych i wyjaśnialnej sztucznej inteligencji. Prowadził badania nad przetwarzaniem neuromorficznym i energooszczędnymi algorytmami dla urządzeń brzegowych. Lider projektu „Predykcyjna diagnostyka przemysłowej infrastruktury kominowej” ze strony Politechniki Łódzkiej, wykorzystującego potencjał nowoczesnych metod analizy danych w diagnostyce technicznej.
Predykcyjna diagnostyka przemysłowej infrastruktury kominowej
Jednym z najbardziej zaawansowanych projektów rozwijanych w naszym ekosystemie jest opracowanie metodyki predykcyjnej oceny stanu przemysłowej infrastruktury kominowej z wykorzystaniem modeli fizycznych, danych pomiarowych, wiedzy eksperckiej i metod sztucznej inteligencji.
Orientacyjna wartość projektu: 13–14 mln zł
Branża
Technologia
Rok rozpoczęcia
2026
Rok zakończenia
2031
Zespół
26 osób
O projekcie
Obecnie ocena stanu technicznego kominów przemysłowych w znacznym stopniu opiera się na okresowych inspekcjach, badaniach wykonywanych w określonych odstępach czasu oraz wiedzy ekspertów.
Takie podejście pozwala ocenić aktualny stan obiektu, ale nie zawsze umożliwia odpowiednio wczesne przewidywanie procesów degradacyjnych. Celem projektu jest stworzenie rozwiązania, które pozwoli przejść od klasycznej diagnostyki do modelu predictive maintenance, czyli utrzymania predykcyjnego.
System ma integrować m.in.:
- dane z inspekcji technicznych,
- dane pomiarowe,
- parametry eksploatacyjne,
- warunki środowiskowe,
- dane historyczne,
- modele fizyczne obiektu,
- wiedzę ekspercką,
- algorytmy sztucznej inteligencji.
Na podstawie tych informacji system będzie mógł określać prawdopodobieństwo wystąpienia określonych procesów degradacyjnych oraz przewidywać ich dalszy rozwój. Docelowo technologia ma umożliwiać przedsiębiorstwom odpowiedź nie tylko na pytanie:
„W jakim stanie znajduje się komin dzisiaj?”
ale przede wszystkim:
„Jak jego stan będzie zmieniał się w kolejnych miesiącach i kiedy należy wykonać określone działania?”
System może wspierać podejmowanie decyzji dotyczących inspekcji, napraw, remontów oraz modernizacji.
Potencjalnymi odbiorcami technologii są m.in.:
- elektrociepłownie,
- elektrownie,
- huty,
- cementownie,
- odlewnie,
- spalarnie,
- zakłady chemiczne,
- zakłady przemysłu
- spożywczego,
- zakłady papiernicze,
- duże przedsiębiorstwa produkcyjne.
Rozwiązanie może w przyszłości zostać rozszerzone również na inne typy infrastruktury przemysłowej. Najważniejszą wartością projektu jest możliwość zmiany sposobu zarządzania infrastrukturą z modelu reaktywnego na predykcyjny.
Dla przedsiębiorstwa oznacza to potencjalne ograniczenie kosztów awarii, przestojów oraz nieplanowanych remontów, a także zwiększenie bezpieczeństwa infrastruktury.
PRISM-HR – predykcyjna platforma AI dla procesów rekrutacyjnych
Drugim dużym kierunkiem rozwoju jest projekt PRISM-HR, którego celem jest opracowanie zaawansowanej platformy sztucznej inteligencji wspierającej zarządzanie dynamicznymi procesami rekrutacyjnymi.
Orientacyjna wartość projektu: ok. 14 mln zł
Branża
Technologia
Rok rozpoczęcia
2026
Rok zakończenia
2031
Zespół
26 osób
O projekcie
Obecne systemy HR koncentrują się przede wszystkim na obsłudze procesów, przechowywaniu danych kandydatów, publikacji ofert oraz automatyzacji podstawowych czynności administracyjnych.
PRISM-HR ma pójść znacznie dalej.
Projekt zakłada stworzenie systemu, który będzie analizował proces rekrutacyjny jako dynamiczny układ wielu wzajemnie zależnych decyzji.
System będzie uwzględniał m.in.:
- dostępność kandydatów,
- równoległe procesy rekrutacyjne,
- wymagania kompetencyjne,
- dostępne zasoby organizacji,
- priorytety biznesowe,
- czas trwania procesów,
- prawdopodobieństwo przyjęcia oferty,
- ryzyko rezygnacji kandydata,
- skutki wcześniejszych decyzji,
- wpływ jednej rekrutacji na inne procesy
Jednym z najważniejszych elementów projektu jest analiza rekurencyjnych efektów interferencji.
W praktyce oznacza to sytuacje, w których jedna decyzja wpływa na kolejne decyzje w systemie.
Przykładowo zatrudnienie konkretnego kandydata w jednym projekcie może zmienić:
- dostępność zasobów,
- opłacalność innych procesów,
- czas realizacji rekrutacji,
- strukturę zespołu,
- zapotrzebowanie na kolejne kompetencje.
PRISM-HR ma umożliwiać modelowanie takich zależności oraz prognozowanie ich konsekwencji.
System będzie działał jako narzędzie Human-AI Decision Support, w którym ostateczne decyzje pozostają po stronie człowieka, natomiast sztuczna inteligencja analizuje dużą liczbę wariantów i przedstawia najbardziej efektywne scenariusze.
Celem jest stworzenie technologii umożliwiającej przedsiębiorstwom przejście od klasycznego ATS do systemu predykcyjnego zarządzania zasobami ludzkimi i procesami rekrutacyjnymi.
Potencjalnymi odbiorcami rozwiązania są:
- duże przedsiębiorstwa,
- grupy kapitałowe,
- firmy technologiczne,
- centra usług wspólnych,
- agencje rekrutacyjne,
- firmy outsourcingowe,
- organizacje prowadzące
- dużą liczbę równoległych procesów rekrutacyjnych.
Projekt posiada również znaczny potencjał do skalowania międzynarodowego,
ponieważ problemy związane z optymalizacją rekrutacji mają charakter globalny.
Autonomiczne systemy dronowe i analiza infrastruktury z wykorzystaniem AI
Trzecim istotnym kierunkiem rozwoju są technologie wykorzystujące drony, computer vision, analizę danych oraz modele sztucznej inteligencji do automatycznej diagnostyki infrastruktury i dużych obiektów przemysłowych.
Potencjalna wartość projektu: kilka–kilkanaście mln zł, zależnie od zakresu demonstratora i wdrożenia
Branża
Technologia
Rok rozpoczęcia
2026
Rok zakończenia
2031
Zespół
26 osób
O projekcie
Tradycyjne inspekcje infrastruktury wymagają często zaangażowania specjalistów, sprzętu wysokościowego, rusztowań, podnośników lub czasowego wyłączenia części obiektu.
Wykorzystanie autonomicznych systemów dronowych pozwala znacząco zwiększyć częstotliwość wykonywania kontroli przy jednoczesnym ograniczeniu kosztów oraz ryzyka dla pracowników.
Projekt zakłada stworzenie systemu, w którym dron realizuje zaplanowaną misję inspekcyjną, pozyskując:
- obrazy wysokiej rozdzielczości,
- dane termowizyjne,
- dane przestrzenne,
- dane pomiarowe,
- informacje o lokalizacji wykrytych zmian.
Dane następnie analizowane są automatycznie przez modele AI.
System może identyfikować m.in.:
- pęknięcia,
- korozję,
- ubytki materiałowe,
- deformacje,
- przebarwienia,
- zmiany termiczne,
- anomalie strukturalne,
- inne symptomy degradacji.
Kluczowym elementem rozwiązania jest możliwość porównywania danych z kolejnych inspekcji.
Dzięki temu system nie ogranicza się do wskazania, że dana wada istnieje.
Może również określić:
- czy wada się powiększa,
- w jakim tempie następuje degradacja,
- które obszary wymagają priorytetowej kontroli,
- kiedy potencjalnie konieczna będzie interwencja.
Połączenie autonomicznych systemów dronowych z modelami predykcyjnymi pozwala stworzyć rozwiązanie stanowiące nową generację cyfrowej diagnostyki infrastruktury.
Potencjalne obszary zastosowania obejmują:
- energetykę,
- przemysł ciężki,
- budownictwo,
- infrastrukturę drogową,
- infrastrukturę kolejową,
- obiekty przemysłowe,
- hale produkcyjne,
- kominy,
- wieże,
- konstrukcje stalowe,
- instalacje energetyczne.
W dalszej perspektywie rozwiązanie może zostać zintegrowane z systemami klasy Digital Twin, dzięki czemu rzeczywisty stan obiektu będzie na bieżąco odwzorowywany w jego cyfrowym modelu
Wspólny kierunek projektów SEO4M
Pomimo że projekty dotyczą różnych branż, ich wspólnym mianownikiem jest jeden
model technologiczny:
Dane
Analiza
Predykcja
Decyzja
Optymalizacja
SEO4M rozwija rozwiązania, w których sztuczna inteligencja nie pełni wyłącznie funkcji generatywnej.
Jej zadaniem jest przede wszystkim analizowanie złożonych procesów, wykrywanie zależności niewidocznych przy klasycznej analizie oraz wspieranie podejmowania decyzji.
Portfel projektów budowany jest w taki sposób, aby poszczególne technologie mogły być później wykorzystywane również w innych sektorach.
Przykładowo mechanizmy predykcyjne opracowywane dla infrastruktury przemysłowej mogą zostać wykorzystane w innych typach infrastruktury, a modele optymalizacyjne rozwijane w projektach HR mogą znaleźć zastosowanie w zarządzaniu innymi procesami biznesowymi.
W efekcie tworzymy nie tylko pojedyncze produkty, lecz kompetencje i własność intelektualną, które mogą stanowić podstawę kolejnych produktów technologicznych SEO4M.
Łączna wartość obecnie rozwijanych i przygotowywanych projektów B+R może przekraczać 30–40 mln zł, zależnie od finalnych budżetów, struktury konsorcjów i zakresu kolejnych przedsięwzięć.
W projektach łączymy:
AI i machine learning
modele predykcyjne
analizę dużych zbiorów danych
computer vision
modele fizyczne
wiedzę ekspercką
automatykę
rozwiązania SaaS
Gotowy na realny, mierzalny wzrost widoczności?
Porozmawiajmy o Twoim projekcie.