Het onderzoeksvoorstel beoogt een revolutie teweeg te brengen in het ingenieurslandschap door de kritieke uitdaging van gegevensschaarste aan te gaan.

In tegenstelling tot industrieën die profiteren van enorme datasets (e.g., Facebook), werken veel technische domeinen met beperkte gegevens van hoge kwaliteit, wat de ontwikkeling van robuuste modellen voor machinaal leren vaak belemmert. Dit voorstel richt zich op het gebruik van innovatieve data-efficiënte methodologieën, waaronder actief leren, surrogaatmodellering en 'few-shot learning', om inzichten uit minimale datasets te maximaliseren. Door deze geavanceerde technieken te integreren, wil het project de ontwerp- en optimalisatieprocessen binnen engineering verbeteren, wat uiteindelijk het verbruik van middelen zal verminderen en innovatie zal versnellen.

Bovendien zal er samenwerking tussen onderzoekers en professionals uit de industrie opgezet worden, waardoor de uitwisseling van kennis op het gebied van data-efficiënt machinaal leren wordt vergemakkelijkt.