Verteiltes Lernen mit dem KI-Framework »AIfES«
© Fraunhofer IMS
Verteiltes Lernen mit dem KI-Framework »AIfES« des Fraunhofer IMS

Verteiltes Lernen

AIfES ermöglicht Verteiltes Lernen und damit datenschutzfreundliche KI. Lokale Daten werden nur auf eigenen Geräten verarbeitet und nicht an zentrale Server geschickt.

Verteiltes Lernen

Die modernen Methoden der Künstlichen Intelligenz (KI) sind ein mächtiges Werkzeug, um die komplexen Probleme in unserer Gesellschaft anzugehen. Dabei erfordern immer tiefere neuronale Netze auch immer größere und diversere Datenmengen. Alleine dies stellt eine riesige Herausforderung dar. Daher sammeln datenverarbeitende Unternehmen immer mehr Informationen für das Training von KI. Während es derzeit Standard ist, alle Daten in eine zentrale Cloud zu schicken, arbeitet das Fraunhofer IMS an einer anderen Lösung – dem Verteilten Lernen, das sogar auf ressourcen-limitierten eingebetteten Systemen funktioniert.

  • Daten bleiben in den eigenen Händen

Im Gesundheitswesen und weiteren Anwendungsfeldern stellt der Datenschutz ein entscheidendes Kriterium dar. Gesetzliche Vorgaben und auch die Informationskultur von Unternehmen verbieten es, Daten mit anderen Teilnehmern zu teilen.

Daher kommt beim Verteilten Lernen das Netz zum Anwender. Auf den eigenen Geräten werden die sensiblen Daten zum Training genutzt. Anschließend wird nur der erreichte Lernerfolg übermittelt, sodass alle Teilnehmer ihre eigenen Daten nicht aus der Hand geben müssen.

  • Profitieren von dem Wissen der anderen

Nach dem Training folgt die Zusammenführung der einzelnen Lernfortschritte zu einem gemeinsamen Modell. Dieses wird abschließend erneut verteilt. So profitiert jeder Teilnehmer von dem Wissen der anderen, ohne die eigenen Daten preiszugeben.

  • Anwendung in Echtzeit

Ein entscheidender Vorteil ist zusätzlich, dass die Teilnehmer unabhängig voneinander lernen können. Wir arbeiten daran, diese Vision wahr werden zu lassen. Ein Beispiel stellt die Handschrifterkennung auf mehreren Geräten dar. Ziel ist die Erkennung von Zeichen wie Buchstaben und Ziffern. Auch wenn alle Teilnehmer unterschiedliche Zahlen beigebracht bekommen, profitieren alle am Ende durch den Ansatz des Verteilten Lernens und können alle Zahlen richtig erkennen. So können auch in kleinen Skalen und innerhalb kürzerer Zeit mehr Daten aufgenommen und verarbeitet werden. Denn in der Echtzeit-Anwendung limitieren Bandbreiten und Latenzzeiten den Einsatz von Cloud-Lösungen.

  • Das Fraunhofer IMS setzt sich für ihre Daten ein

Das Fraunhofer IMS beschäftigt sich damit, den Aufwand der Kommunikation noch weiter zu reduzieren, ohne eine merkliche Verringerung der Qualität des gemeinsamen Modells hinnehmen zu müssen. Des Weiteren wird an Methoden geforscht, um die Ausfallsicherheit zusätzlich zu erhöhen. Dies alles befähigt den Einsatz von Verteilten Lernen im datensensiblen Umfeld.

Gegenüberstellung von verteiltem und konventionellem Lernen
© Fraunhofer IMS
Gegenüberstellung von verteiltem und konventionellem Lernen beim Umgang mit persönlichen Daten

Unsere Technologien – Innovationen für Ihre Produkte

Hybrides Lernen und PGNNs

Bei unzureichenden Trainingsdaten helfen Simulationen auf Basis physikalischer Modelle die Datenlage zu verbessern.

Merkmalsextraktion für Smarte Sensoren

Mittels angepasster Merkmalsextraktion kann die Größe eines Neuronalen Netzes reduziert werden.

Embedded KI für LiDAR

Mit Hilfe von Embedded KI kann die Abstandsmessung durch LiDAR Sensoren beschleunigt und qualitativ verbessert werden.

Unsere Technologiebereiche – Unsere Technologien für Ihre Entwicklung

Kommunikation und Vernetzung

Kommunikationsschnittstellen erlauben den Datenaustausch mit anderen Geräten und die Anbindung an Netzwerke.

User Interfaces

User Interfaces als Schnittstelle zwischen Gerät und Anwender erlauben die Konfiguration und die Bedienung eines Produkts.

Maschinelle Lernverfahren für Embedded-Systems

Künstlicher Intelligenz auf ressourcenbegrenzten Systemen dient zur Gewinnung höherwertiger Informationen aus Sensorrohdaten.

Computer Vision

Computer Vision extrahiert das Maximum an Informationen aus Bilddaten.

 

Embedded Software and Artificial Intelligence (Home)

Hier gelangen Sie zurück zu der Übersichtsseite der Kernkompetenz
Embedded Software and Artificial Intelligence (ESA).