Startseite > Embedded > Künstliche Intelligenz ist kein Selbstzweck

Forum Künstliche Intelligenz 2020

Künstliche Intelligenz ist kein Selbstzweck

25. Juni 2020, 16:47 Uhr | Von Stefanie Eckardt und Gerhard Stelzer, Gerhard Stelzer

Dr.-Ing. Steven Peters, der das Team »AI Research« innerhalb der Konzernforschung von Mercedes-Benz leitet: »Nicht weil wir einen glänzenden neuen Hammer haben, sollten wir jedes Problem als Nagel begreifen.«

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 1

Künstliche Intelligenz in Embedded-Anwendungen

Jens Stapelfeldt von Xilinx in Europa zeigte in seinem Vortrag, wie sich FPGA-Module im Smart-City-Umfeld einsetzen lassen und erläuterte welche Rolle dabei die intelligente Video Analyse (IVA) spielt. Er stellte dazu die »SmartCamera+«-Demonstrationsplattform vor, mit der sich verschiedene IVA-Anwendungen evaluieren und realisieren lassen. »Neuronale Netze entwickeln sich schnell, daher braucht man adaptierbare Hardware«, postulierte Stapelfeldt.

Prof. Dr. Martin Kumm von der Hochschule Fulda beschäftigte sich in seinem Vortrag, wie sich CNNs (Convolutional Neural Networks) auf FPGAs implementieren lassen. Zur Optimierung von CNNs auf Programmierbarer Logik schlägt er drei Schritte vor: 1. Reduzierung der Komplexität von Multiplikationen, 2. Unnötige Berechnungen entfernen und 3. Rekonfigurierbarkeit zur Laufzeit nutzen. Dazu stellte er einen Tool-Flow vor, der in Zusammenarbeit mit der Universität Kassel entwickelt wurde. Allerdings warnt Kumm auch: »Die Implementierung von neuronalen Netzen auf FPGAs ist aufgrund der vielen Freiheitsgrade schwierig.«

Bild 3. Bilderkennung ist eines der Hauptanwendungsfelder von KI. Mit der SmartCamera+-Plattform von Xilinx lassen sich Bildverarbeitungsanwendungen einfach evaluieren. — Bilderkennung ist eines der Hauptanwendungsfelder von KI. Mit der SmartCamera+-Plattform von Xilinx lassen sich Bildverarbeitungsanwendungen einfach evaluieren.

Bild 6. Eine Lösung für die Analyse verteilter Daten stellte Dr. Daniel Gaida von Hahn-Schickard vor: Kooperative Künstliche Intellgenz auf Basis von »Federated Learning«. — Eine Lösung für die Analyse verteilter Daten stellte Dr. Daniel Gaida von Hahn-Schickard vor: Kooperative Künstliche Intellgenz auf Basis von »Federated Learning«.

Mit Künstlicher Intelligenz am Edge in Zusammenhang mit dem Datenbanksystem Microsoft Azure befasste sich der Vortrag von Raphael Goj von M&M Software, einer Tochter von Wago. Mit Azure IoT-Edge können analytische Cloud-Dienste auf dem Edge-Gerät ausgeführt werden. Goj zeigte anhand der drei Dienste »Azure Cognitive Services«, »Azure Stream Analytics« und »Azure Machine Learning« beispielhaft, wie sich diese Dienste praktisch nutzen lassen.

Dr. Daniel Gaida, Gruppenleiter der Forschungsgruppe KI bei der Hahn-Schickard-Gesellschaft für angewandte Forschung stellt in seinem Vortrag die Frage: »Wie kann man Daten für künstliche Intelligenz nutzen, welche nicht alle an einem Ort gespeichert werden können und wie kann man diese Daten kooperativ nutzen?« Er stellte dazu ein Verfahren kooperativer künstlicher Intelligenz vor, das auf einem »Federated Learning«-Ansatz basiert. Dieser besteht aus den Schritten: 1. Initialisierung und Erstellung eines KI-Modells, 2. Verteilung des KI-Modells, 3. Lokales Training der KI-Modelle, 4. Einsammeln der KI-Modelle und Fusion. Vorteile des Federated Learnings sind jeweils ein hohes Maß an Datenschutz, Zuverlässigkeit, Energieeffizienz und Robustheit.

Wie sich Adaptive Neuronale Netze auf Mikrocontrollern abbilden lassen, demonstrierte Raphael Zingg vom Institut Embedded Systeme der Zürcher Hochschule für angewandte Wissenschaften in seiner Präsentation. Dazu stellte er die verschiedenen Frameworks zur Implementierung vor, wie X-Cube-AI von STMicroelectronics, Tensorflow Lite von Google, e-AI Translator von Renesas und Jianjia Ma mit ARM CMSIS-NN-Backend. Ein vielversprechender Ansatz sei der Einsatz von adaptiven neuronale Netze, wie Zingg ausführte und erläuterte.