Deep learning kan ook onafhankelijk van een netwerk
KU Leuven EAVISE, 6WOLVES, Digipolis, DP Technics, DSP Valley, E.D.&A., Edgise, Jacoti, Melexis Technologies, Picanol, Qmineral, ScioTeq, Sensotec, Transport & Mobility Leuven
Is het mogelijk om deep learning toe te passen op systemen die minder krachtig zijn, energiezuiniger en minder afhankelijk van een netwerk? Het project AI@EDGE zoekt het uit en deelt zijn inzichten met kmo’s.
Voor wie?
Het project AI@EDGE van VIVES IoT Incubator en KU Leuven EAVISE richt zich tot kmo’s en ondernemers met en zonder ervaring in AI. Zij kunnen via dit project advies & informatie inwinnen, hun concrete uitdagingen bespreken. Dit project voorziet in een groepstraject, netwerking & inspiratie.
Projectdoelstellingen?
AI@EDGE staat voor Applying Artificial Intelligence on Edge devices using Deep Learning with Embedded optimizations. Dit project werkt aan oplossingen om deep learning toe te passen op systemen die minder krachtig, energiezuiniger en minder afhankelijk zijn van een netwerk.
Vandaag wordt in Deep Learning een algoritme ontwikkeld op een grote set data, typisch op een rekenkrachtige server. Vervolgens wordt het getrainde netwerk in een applicatie geladen die met de echte data werkt. Deze stap wordt ‘inference ' genoemd. Inference hoeft echter niet toegepast worden op het computersysteem dat voor de training werd gebruikt. Hierdoor wordt het mogelijk om deep learning toe te passen op systemen die minder krachtig zijn, energiezuiniger en minder afhankelijk van een netwerk.
Dit heeft een aantal voordelen. Doordat de echte data lokaal blijft, werkt de AI autonoom. Dit is bijvoorbeeld belangrijk bij machines waarvan de gebruiker niet wil dat de werking afhankelijk is van een netwerkverbinding met het Internet. Daarnaast is dit ook voor privacygevoelige toepassingen belangrijk. Vervolgens hebben bepaalde systemen slechts een beperkte bandbreedte waardoor de echte data niet kan verstuurd worden. Anderzijds staan systemen waarin de tijd kritisch is geen applicatie toe met een hoge ‘latency ’, wat de tijd is die verstrijkt tussen het versturen van de data naar de server en terug.
Beknopt:
- Haalbaarheid en toegevoegd waarde van AI in embedded systemen bestuderen.
- Overzicht van tools, bibliotheken, zoals Tensorflow Lite, µTensor, CMSIS-NN, X-Cube AI, Neurona en ondersteunende systemen.
- Overzicht van optimalisatietechnieken, zoals weight quantisation, layer fusion, pruning en architecture changes.
Wat kan je verwachten?
- Industrieel gevalideerde gevalstudies
- Hands-on workshop
- Cursusmateriaal
Tijdlijn
- 01/03/2020: startdatum
- Q4 2021: 1e workshop
- 31/05/2022: einddatum
Contactgegevens
Piet Cordemans
piet.cordemans@vives.be
+32 498 64 02 24
Meer info
Hoe ondersteunt het Vlaams Beleidsplan AI jouw onderneming?
Vlaanderen investeert via het Beleidsplan Artificiële Intelligentie fors in onderzoek, praktische toepassingen en omkadering op het vlak van opleiding, bewustmaking en ethische vragen. Hoe ondersteunt het plan jouw onderneming?