Forskning

Atlas Research bedriver oberoende forskning om självmodellering, antifragilitet och granskbar styrning av AI-system. Syftet är att utveckla allmänna metoder för mätbar, styrbar och integritetsbevarande AI där påståenden om prestanda och säkerhet kan valideras externt. Forskningen är fristående från kunduppdrag, men resultaten kan omsättas i praktiken när det är lämpligt.

Vi undersöker hur AI-modeller kan bära en operativ självmodell som förutser fel och osäkerhet, hur sådan självförståelse kan mätas och prövas med en extern testsuite (SUTS), samt under vilka former kontrollerad stress (distribution-skiften, brus, motexempel) leder till antifragil förbättring utan att lämna ett definierat säkerhetsomfång (safety envelope) eller överskrida riskbudgetar. Vi studerar också hur spårbarhet (data lineage, signering, körningshashar) kan göra efterlevnad verifierbar i stället för deklarativ.

Metodiskt arbetar vi med osäkerhetsestimering och kalibrering (t.ex. temperatur-skalning, konformala metoder), kausala delmodeller för kritiska beslutskedjor, kontrafaktisk utvärdering för stabilitet under semantiskt bevarande perturbationer, OOD/drift-detektion och test-time adaptation med policy-vakter. Telemetri och mätning sker lokalt med dataminimering, åtkomstkontroller och vid behov differential privacy. Resultatet är audit-bara modeller med reproducerbara experiment och tydlig koppling till styrning.

Utfall omfattar working papers, reproducerbara benchmark-protokoll, och referensimplementationer (vid behov öppet) som möjliggör oberoende granskning. Vi välkomnar samarbeten och medförfattarskap.