< Terug naar vorige pagina
Project
AITIA: Geïntegreerde AI-technieken voor industriële toepassingen. (VLATETRA1)
Nieuwe prestaties op het gebied van kunstmatige intelligentie en machine learning worden bijna dagelijks gerapporteerd door de grote bedrijven. Deze prestaties zijn voornamelijk gebaseerd op hoogwaardige snelle dataverwerking en big data technieken. De mogelijkheden van embedded machine learning-technieken is daarentegen nog steeds niet goed gekend door de meerderheid van de industriële spelers en kmo's. Desalniettemin wordt het potentieel van machine learning, direct ingebed in een apparaat of systeem dat online of offline wordt getraind, als zeer hoog ervaren.
Dit heeft geleid tot een brede vraag van de industrie en de KMO's naar een praktische en toepassingsgerichte haalbaarheidsstudie die hen helpt de potentiële voordelen maar ook de beperkingen van ingebedde kunstmatige intelligentie te begrijpen. Een beter begrip omtrent de realisatievereisten van algorithmes voor machine learning is nodig. Zo zien we dat technologie ontwikkelaars, oplossingen aanbieden voor de integratie van artificele intelligentie in zowel Edge Computing als Cloud Computing. Beide realisatie-alternatieven hebben hun voor en nadelen en moeten worden geanalyseerd volgens het respectievelijke toepassingsdomein.
Dit project heeft tot doel ‘best practices voor embedded AI’ te ontwikkelen en te demonstreren aan de hand van vier relevante industriële casestudies. In die casestudies pakken we verschillende elementen aan die te maken hebben met technologie, veiligheid en certificeerbaarheid.
We zullen ons voornamelijk concentreren op vier toepassingsdomeinen die relevant zijn voor de Europese industrie en de KMO's:
- Geïntegreerde beveiliging: Intrusie detectie in data netwerken door AI in netwerkrouters te verwerken.
- Smart Sensing: Verbetering van de sensornauwkeurigheid door AI en detectie van sensorafwijkingen door AI
- Automotive en mobiele robots: machinevisie voor mobiele systemen
- Industrie 4.0: machine learning voor predictief onderhoud.
De technologische uitdagingen die we gaan aanpakken hebben betrekking op:
- Het gebruik van FPGA's als versnellers voor embedded AI, bitbreedte-optimalisaties, softprocessors versus dedicated processors versus hard embedded processors, dynamische herconfiguratietechnieken en frameworks voor het genereren van FPGA AI-code.
Dit heeft geleid tot een brede vraag van de industrie en de KMO's naar een praktische en toepassingsgerichte haalbaarheidsstudie die hen helpt de potentiële voordelen maar ook de beperkingen van ingebedde kunstmatige intelligentie te begrijpen. Een beter begrip omtrent de realisatievereisten van algorithmes voor machine learning is nodig. Zo zien we dat technologie ontwikkelaars, oplossingen aanbieden voor de integratie van artificele intelligentie in zowel Edge Computing als Cloud Computing. Beide realisatie-alternatieven hebben hun voor en nadelen en moeten worden geanalyseerd volgens het respectievelijke toepassingsdomein.
Dit project heeft tot doel ‘best practices voor embedded AI’ te ontwikkelen en te demonstreren aan de hand van vier relevante industriële casestudies. In die casestudies pakken we verschillende elementen aan die te maken hebben met technologie, veiligheid en certificeerbaarheid.
We zullen ons voornamelijk concentreren op vier toepassingsdomeinen die relevant zijn voor de Europese industrie en de KMO's:
- Geïntegreerde beveiliging: Intrusie detectie in data netwerken door AI in netwerkrouters te verwerken.
- Smart Sensing: Verbetering van de sensornauwkeurigheid door AI en detectie van sensorafwijkingen door AI
- Automotive en mobiele robots: machinevisie voor mobiele systemen
- Industrie 4.0: machine learning voor predictief onderhoud.
De technologische uitdagingen die we gaan aanpakken hebben betrekking op:
- Het gebruik van FPGA's als versnellers voor embedded AI, bitbreedte-optimalisaties, softprocessors versus dedicated processors versus hard embedded processors, dynamische herconfiguratietechnieken en frameworks voor het genereren van FPGA AI-code.
Datum:1 sep 2019 → 31 aug 2021
Trefwoorden:Artificial Intelligence, Embedded System Design
Disciplines:Artificiële intelligentie niet elders geclassificeerd
Project type:Samenwerkingsproject
Resultaten:Dit onderzoek resulteerde in vier use cases:
Use case 1 - VUB
Titel: Demonstrator van ingebedde klassieke AI-algoritmen voor classificatie van geluid.
Samenvatting: Deze use-case implementeert methoden die gericht zijn op de automatische herkenning en classificatie van stadsgeluiden, met als doel deze methoden vervolgens toe te passen op de herkenning van soundscapes. Onderzoek naar audioherkenning is van oudsher gericht op de domeinen spraak en muziek. Er is relatief weinig onderzoek gedaan naar het herkennen van generieke stadsgeluiden. Daarom passen en evalueren we in dit project de bestaande machine learning-technieken die efficiënt zijn gebleken in de andere twee domeinen. Deze technieken worden uitgebreid vergeleken, waarbij speciale aandacht wordt besteed aan de prestaties en de rekentijd om te bepalen welke het meest geschikt is om het probleem van stedelijke geluidsherkenning aan te pakken. De realisatie hiervan werd volledig geïmplementeerd op een ingebed systeem.
Use case 2 - BTU
Titel: Een AI-use-case op de FGPU: een open-source FPGA-gebaseerde algemene GPU
Samenvatting: Deze use-case demonstreert de toepassing van een flexibele op FPGA gebaseerde General-Purpose GPU (FGPU) om algoritmen voor machine learning te implementeren. Deze use-case is uitgewerkt door onze partners van de Brandenburg University of Technology. De Open Source FGPU is ontwikkeld bij hun onderzoeksgroep en wordt via Github beschikbaar gesteld voor de brede gemeenschap.
Use case 3 - TUD
Titel: RISC-V gebaseerde architecturen voor AI-toepassingen
Samenvatting: In deze use-case wordt een op RISC-V gebaseerde architectuur gepresenteerd voor toepassingen op het gebied van kunstmatige intelligentie. RISC-V is een open source instructieset-architectuur ontwikkeld door University of California, Berkeley. RISC-V is een modulaire ISA en maakt uitbreidingen mogelijk op basis van applicatievereisten. In deze use-case worden drie verschillende op RISC-V gebaseerde architecturen onderzocht: (1)multi-core RISC-V, (2)een vectorextensie (SIMD) van een RISC-V gebaseerde processor en (3) een op HLS gebaseerde bibliotheek (HiFlipVX) voor hardwareversnellers voor een RISC-V-processor. Alle onderzochte hardwarebenaderingen zijn gericht op FPGA-implementaties. Er is ook een applicatie-mapping-tool uitgewerkt om complexe applicaties op een heterogene architectuur in kaart te brengen.
Use case 4 - KU Leuven
Titel: Deep learning voor hardwareversnelde netwerkinbraakdetectie
Samenvatting: deze use-case past deep learning toe voor hardwareversnelde netwerkinbraakdetectie. Bij netwerkinbraakdetectie is het doel kwaadaardig netwerkverkeer te detecteren en te rapporteren. De use-case biedt eerst enig inzicht in hoe dit kan worden gedaan met behulp van deep learning, en demonstreert vervolgens de implementatie van deep learning-architecturen op FPGA met behulp van de Xilinx FINN-toolchain.
Use case 1 - VUB
Titel: Demonstrator van ingebedde klassieke AI-algoritmen voor classificatie van geluid.
Samenvatting: Deze use-case implementeert methoden die gericht zijn op de automatische herkenning en classificatie van stadsgeluiden, met als doel deze methoden vervolgens toe te passen op de herkenning van soundscapes. Onderzoek naar audioherkenning is van oudsher gericht op de domeinen spraak en muziek. Er is relatief weinig onderzoek gedaan naar het herkennen van generieke stadsgeluiden. Daarom passen en evalueren we in dit project de bestaande machine learning-technieken die efficiënt zijn gebleken in de andere twee domeinen. Deze technieken worden uitgebreid vergeleken, waarbij speciale aandacht wordt besteed aan de prestaties en de rekentijd om te bepalen welke het meest geschikt is om het probleem van stedelijke geluidsherkenning aan te pakken. De realisatie hiervan werd volledig geïmplementeerd op een ingebed systeem.
Use case 2 - BTU
Titel: Een AI-use-case op de FGPU: een open-source FPGA-gebaseerde algemene GPU
Samenvatting: Deze use-case demonstreert de toepassing van een flexibele op FPGA gebaseerde General-Purpose GPU (FGPU) om algoritmen voor machine learning te implementeren. Deze use-case is uitgewerkt door onze partners van de Brandenburg University of Technology. De Open Source FGPU is ontwikkeld bij hun onderzoeksgroep en wordt via Github beschikbaar gesteld voor de brede gemeenschap.
Use case 3 - TUD
Titel: RISC-V gebaseerde architecturen voor AI-toepassingen
Samenvatting: In deze use-case wordt een op RISC-V gebaseerde architectuur gepresenteerd voor toepassingen op het gebied van kunstmatige intelligentie. RISC-V is een open source instructieset-architectuur ontwikkeld door University of California, Berkeley. RISC-V is een modulaire ISA en maakt uitbreidingen mogelijk op basis van applicatievereisten. In deze use-case worden drie verschillende op RISC-V gebaseerde architecturen onderzocht: (1)multi-core RISC-V, (2)een vectorextensie (SIMD) van een RISC-V gebaseerde processor en (3) een op HLS gebaseerde bibliotheek (HiFlipVX) voor hardwareversnellers voor een RISC-V-processor. Alle onderzochte hardwarebenaderingen zijn gericht op FPGA-implementaties. Er is ook een applicatie-mapping-tool uitgewerkt om complexe applicaties op een heterogene architectuur in kaart te brengen.
Use case 4 - KU Leuven
Titel: Deep learning voor hardwareversnelde netwerkinbraakdetectie
Samenvatting: deze use-case past deep learning toe voor hardwareversnelde netwerkinbraakdetectie. Bij netwerkinbraakdetectie is het doel kwaadaardig netwerkverkeer te detecteren en te rapporteren. De use-case biedt eerst enig inzicht in hoe dit kan worden gedaan met behulp van deep learning, en demonstreert vervolgens de implementatie van deep learning-architecturen op FPGA met behulp van de Xilinx FINN-toolchain.