Een methodiek voor analyse en optimalisatie van gedistribueerde artificiële intelligentie.

Hoewel de fundamenten van artificiële intelligentie (AI) reeds lange tijd bestaan, hebben recente ontwikkelingen in rekenkracht en nieuwe AI-technieken gezorgd voor een heropleving in dit onderzoeksdomein. Met de opkomst van het Internet der dingen (IoT), hebben vele slimme applicaties, gedreven door AI, hun weg gevonden naar ons dagelijks leven. Gezien de computationele complexiteit van deze technieken is een veelgebruikte aanpak het minimaliseren van de berekeningen op het toestel van de eindgebruiker en het uitvoeren van de zware berekeningen in een cloud omgeving. Echter, met een toename tot meer dan 20 miljard slimme toestellen tegen 2020 in het vooruitzicht, is het verwerken van de grote hoeveelheden geproduceerde gegevens met een cloud-gebaseerde oplossing niet haalbaar. Om de AI-revolutie verder te zetten zijn alternatieve methodes noodzakelijk, waarbij de AI verdeeld wordt over toestellen die dichter bij de rand van het netwerk staan. Huidige AI-oplossingen verdelen hun werk over grootschalige cloud-omgevingen en hoogperformante toestellen. IoT-devices, hebben echter zeer diverse hardware en vaak strike software beperkingen. Afhankelijk van deze beperkingen, bijvoorbeeld in timing, rekenkracht, geheugen en energie, zijn op maat gemaakt optimalisatie-strategieën noodzakelijk. Om distributie van AI in een IoT omgeving mogelijk te maken moeten twee gaten in de state-of-the-art worden overbrugd. In dit onderzoeksproject onderzoeken we (1) een systematische methode voor de analyse van AI om de karakteristieken van deze algoritmes te bepalen en (2) een methode voor optimale distributie van AI in de context van AI.

Trefwoorden:ARTIFICIËLE INTELLLIGENTIE, GEDISTRIBUEERDE COMPUTATIONELE METHODES, INTERNET OF THINGS, OPTIMALISATIE

Disciplines:Artificiële intelligentie, Cognitieve wetenschappen en intelligente systemen