Energieeffiziente künstliche Intelligenz für nachhaltige Internet-der-Dinge- und Edge-Anwendungen
Durch Integration der Analyse- und Entscheidungsfindungsfähigkeiten der künstlichen Intelligenz sowie der Konnektivitäts- und Datenerfassungsressourcen des Internet der Dinge (IoT) sorgt die künstliche Intelligenz der Dinge (Artificial Intelligence of Things; AIoT) für intelligentere, reaktionsfähigere Geräte. Da auf diese Weise die Systeme in die Lage versetzt werden, Daten zu analysieren und mithilfe lokaler Rechenressourcen in Echtzeit autonome Entscheidungen zu treffen, werden mittels AIoT alle Bereiche optimiert, seien es intelligente häusliche Umgebungen bzw. Gebäude oder die Gesundheitsversorgung bis hin zu industriellen Abläufen und Automobilsystemen. Eine große Herausforderung besteht jedoch darin, die riesigen Datenmengen, die im Internet der Dinge generiert werden, effektiv zu nutzen. Allein zur Verarbeitung dieser gewaltigen Datenmenge ist eine erhebliche Rechenleistung erforderlich, und die Komplexität der beteiligten Algorithmen erschwert die Sache zusätzlich. Das Team des EU-finanzierten Projekts VEDLIoT befasst sich mit diesen Herausforderungen und entwickelt eine IoT-Plattform, auf der Deep-Learning-Algorithmen (neuronale Netze) zum Einsatz kommen, die auf verschiedene Ebenen der IoT-Infrastruktur verteilt sind: Edge, Fog und Cloud Computing. „Unser Ziel bestand darin, innovative energieeffiziente Deep-Learning-Methoden zu entwickeln, die speziell auf verteilte AIoT-Anwendungen zugeschnitten sind, die über mehrere Standorte oder Geräte hinweg arbeiten. Wir haben uns nicht nur auf die Optimierung der Algorithmen konzentriert, sondern uns auch mit den Herausforderungen befasst, die diesen Systemen in Bezug auf die Sicherheit und Gefahrenabwehr innewohnen“, erklärt Projektkoordinator Jens Hagemeyer.
Dem Internet der Dinge das Lernen lehren
Eine Schlüsselkomponente des VEDLIoT-Ansatzes ist die Entwicklung einer kognitiven IoT-Hardwareplattform, die in der Lage sein soll, aus Daten zu lernen und Entscheidungen zu treffen. Auf der Plattform kommen modernste Mikroserver mit optimierten Hardwarebeschleunigern zum Einsatz, und sie wurde modular und skalierbar aufgebaut. Das bedeutet, dass sie an die unterschiedlichen Anforderungen der verschiedenen Anwendungen angepasst werden kann. Diese über verschiedene Anwendungsfälle hinweg bestehende Flexibilität trägt zur Steigerung der Energieeffizienz und der Systemleistung bei. „Mit den anpassbaren Hardwarekonfigurationen stellt das VEDLIoT-Team sicher, dass IoT- und Edge-Geräte nachhaltig betrieben werden können. Dies sollte dazu beitragen, ihre effektive Lebensdauer über verschiedene Ebenen der Recheninfrastruktur (Rechenkontinuum) hinweg zu verlängern, sodass sie sich besser für ein breites Ökosystem moderner Anwendungen eignen, denen sie dienen“, erklärt Hagemeyer. Im Rahmen der VEDLIoT-Hardwareplattform werden spezialisierte Hardware, verschiedene Hardwarebeschleuniger, die auf spezifische Anwendungen zugeschnitten sind, und fortgeschrittene Sicherheitsverfahren kombiniert, die auf vertrauenswürdige Ausführungsumgebungen und verteilte Bescheinigungen zurückgreifen. Das Projektteam stellt außerdem einen Entwurfsrahmen für sicherheitskritische KI-Systeme zur Verfügung, der gewährleistet, dass strenge Sicherheitsanforderungen erfüllt werden. Die herstellerübergreifenden Lösungen von VEDLIoT erhöhen Flexibilität und Anpassbarkeit, verringern die Abhängigkeit von proprietären Plattformen und fördern die breitere Einführung von AIoT-Technologien in verschiedenen Industriezweigen.
Technologien in verschiedenen Anwendungsfällen erproben
Das VEDLIoT-Team hat seine Technologien mit Erfolg innerhalb verschiedener Anwendungen validiert, etwa in der Automobilindustrie, im industriellen IoT sowie im Umfeld intelligenter Gebäude. Zu den wichtigsten Demonstrationen gehören ein autarker intelligenter Spiegel, die Erkennung und Vermeidung von Personen, die zu Fuß unterwegs sind, die Lichtbogenerkennung für Gleichstromverteilungssysteme und die vorausschauende Instandhaltung von Elektromotoren. Im Rahmen einer offenen Ausschreibung wurden außerdem zehn Anwendungen entwickelt, die Bereiche wie das Laserschweißen und das Testen von Honig abdecken. „Durch die Optimierung von Hardwarekomponenten und -beschleunigern sowie von Werkzeugketten und Modellen konnten wir die Leistung und Energieeffizienz in allen wichtigen Anwendungsbereichen mehr als verzehnfachen“, betont Hagemeyer. Diese Ergebnisse heben den Beitrag von VEDLIoT zur Förderung von AIoT-Technologien durch die Bereitstellung skalierbarer, effizienter und sicherer Lösungen hervor. Es ist zu erwarten, dass das Projekt erhebliche Auswirkungen haben und dabei neue Maßstäbe in Bezug auf Leistungseigenschaften, Energieeffizienz und Sicherheit für AIoT-, Edge- und Cloud-Anwendungen setzen wird.
Schlüsselbegriffe
VEDLIoT, AIoT, tiefes Lernen, Deep Learning, Edge, künstliche neuronale Netze, Cloud, künstliche Intelligenz der Dinge, Hardwarebeschleuniger, Energieeffizienz
