- Anzeige -
- Anzeige -
- Anzeige -
- Anzeige -
- Anzeige -
Lesedauer: min
Machine Learning für Sensoren

Forschungsprojekt AlfES am Fraunhofer IMS

Machine Learning für Sensoren

Mikrocontroller sind in fast jedem technischen Gerät verbaut – von der Waschmaschine über das Blutdruckmessgerät bis hin zu Wearables. Mit der Machine-Learning-Bibliothek AIfES haben Forscher am Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS eine künstliche Intelligenz (KI) für Mikrocontroller und Sensoren entwickelt, die ein voll konfigurierbares künstliches neuronales Netz umfasst.
Heute gibt es eine Vielzahl von Softwarelösungen für das maschinelle Lernen, doch diese sind in der Regel nur für den PC verfügbar und nutzen Python als Programmiersprache. Eine Lösung, die das Ausführen und Trainieren von neuronalen Netzen auch auf eingebetteten Systemen, wie z.B. Mikrocontrollern, ermöglicht, liegt aktuell nicht vor. Es kann jedoch hilfreich sein, das Training direkt auf dem eingebetteten System durchzuführen – etwa wenn sich ein implantierter Sensor selbst kalibrieren soll. Die Vision ist eine sensornahe KI, die direkt in ein Sensorsystem integriert werden kann. Mit AIfES (Artificial Intelligence for Embedded Systems) hat ein Forscherteam am Fraunhofer IMS diese Vision umgesetzt und eine Machine-Learning-Bibliothek in der Programmiersprache C entwickelt, die auf Mikrocontrollern lauffähig ist, darüber hinaus aber auch andere Plattformen wie PC, Raspberry PI oder Android unterstützt. Die Bibliothek umfasst aktuell ein voll konfigurierbares künstliches neuronales Netz (KNN), das bei Bedarf auch tiefe Netze für das Deep Learning erzeugen kann. Ein KNN ist der Versuch, das menschliche Gehirn mit Algorithmen mathematisch nachzubilden, um funktionale Zusammenhänge für Algorithmen erlernbar zu machen. AIfES wurde speziell für eingebettete Systeme optimiert. „Wir haben den Quellcode auf ein Minimum reduziert, dadurch lässt sich das KNN direkt auf dem Mikrocontroller oder auf dem Sensor, also dem eingebetteten System, trainieren. Außerdem ist der Quellcode universal gültig, er lässt sich für nahezu jede Plattform kompilieren. Da immer die gleichen Algorithmen genutzt werden, ist ein KNN, das z.B. auf dem PC erstellt wurde, einfach auf einen Mikrocontroller portierbar. Dies ist bislang mit kommerziell erhältlichen Softwarelösungen so noch nicht möglich“, sagt Dr. Pierre Gembaczka, wissenschaftlicher Mitarbeiter am Fraunhofer IMS.

Wahrung der Privatsphäre

Ein weiteres Alleinstellungsmerkmal der sensornahen KI des Fraunhofer IMS: Bislang werden künstliche Intelligenz und neuronale Netze vor allem für Bildverarbeitung und Spracherkennung eingesetzt. Bei einigen Systemen verlassen die Daten die lokalen Systeme. In der Cloud, auf externen Servern, werden dann z.B. Stimmprofile verarbeitet, da die Rechenleistung der lokalen Systeme nicht immer ausreicht. „Bei diesem Vorgang ist die Wahrung der Privatsphäre schwierig, zudem werden Unmengen an Daten übertragen. Wir wählen daher einen anderen Ansatz und gehen weg von maschinellen Lernverfahren in der Cloud hin zu maschinellen Lernverfahren direkt auf dem eingebetteten System. Da keine sensiblen Daten das System verlassen, kann der Datenschutz garantiert werden und die zu übertragene Datenmenge wird deutlich reduziert“, sagt Burkhard Heidemann, Gruppenleiter ‚Embedded Systems‘ am Fraunhofer IMS. „Natürlich können keine riesigen Deep-Learning-Modelle auf einem eingebetteten System realisiert werden, somit beschäftigen wir uns verstärkt mit der geschickten Merkmalsextraktion zur Reduktion der Eingangssignale.“ Indem die Forscher die KI direkt auf den Mikrocontroller bringen, lässt sich ein Gerät mit zusätzlichen Funktionen ausstatten, ohne dass teure Hardwareänderungen nötig sind.

Kleine neuronale Netze

AIfES fokussiert sich nicht auf die Verarbeitung großer Datenmengen, vielmehr werden nur die erforderlichen Daten übertragen, um sehr kleine neuronale Netze aufzubauen. „Wir folgen nicht dem Trend, der hin zur Verarbeitung von Big Data geht, sondern wir beschränken uns auf die absolut nötigen Daten und etablieren quasi eine Mikrointelligenz auf dem eingebetteten System, die die jeweiligen Aufgaben lösen kann. Wir entwickeln für jedes Problem neue Datenvorverarbeitungsstrategien und Merkmalsextraktionen, um möglichst kleine KNN realisieren zu können. Dies gewährleistest dann auch ein nachträgliches Lernen auf dem Controller selbst“, erläutert Gembaczka. Mit mehreren Demonstratoren wurde dies bereits praktisch umgesetzt. So realisierte das Forscherteam eine Erkennung von handgeschriebenen Ziffern auf einem günstigen 8-Bit-Mikrocontroller (Arduino Uno). Dies war technisch nur möglich, da eine neuartige Merkmalsextraktion entwickelt wurde. Ein weiterer Demonstrator kann komplexe Gesten erkennen, die in die Luft geschrieben werden. Die Wissenschaftler des IMS haben dafür ein System, bestehend aus einem Mikrocontroller und einem absoluten Orientierungssensor entwickelt, das in die Luft geschriebene Zahlen erkennt. „Eine mögliche Anwendung hierfür wäre die Bedienung eines Wearables“, so die Forscher. „Damit diese Form der Kommunikation funktioniert, schreiben verschiedene Personen mehrfach die Ziffern von null bis neun. Das neuronale Netz erhält diese Trainingsdaten, lernt sie und identifiziert sie im nächsten Schritt selbstständig. Es sind nahezu alle Figuren trainierbar, nicht nur Zahlen.“ Eine Steuerung des Geräts per Spracherkennung ist damit hinfällig, das Wearable ließe sich mit einer Geste steuern, die Privatsphäre bliebe geschützt. Denn die Anwendungsmöglichkeiten von AIfES sind vielfältig: So könnte ein Armband mit integrierter Gestenerkennung etwa zur Beleuchtungssteuerung in Gebäuden genutzt werden. Aber nicht nur das Erkennen einer Geste ist möglich, sondern auch die Überwachung, wie gut eine Geste ausgeführt wurde. Im Reha- oder Fitnessbereich könnte man Übungen und Bewegungsabläufe bewerten, wenn kein Trainer anwesend ist. Da keine Kamera oder Cloud genutzt wird, bleibt die Privatsphäre geschützt.

Rechenleistung dezentralisieren

Mit der Bibliothek lässt sich zudem die Rechenleistung dezentralisieren, indem z.B. kleine eingebettete Systeme die Daten vor der Verarbeitung übernehmen und einem höher geordneten System die Ergebnisse zur Verfügung stellen. Auf diese Weise reduziert sich die zu übertragende Datenmenge beträchtlich. Darüber hinaus ist ein Netzwerk aus kleinen lernfähigen Systemen realisierbar, die Aufgaben untereinander aufteilen.

Entwicklung geht weiter

AIfES enthält aktuell ein neuronales Netz mit einer sogenannten Feedforward-Struktur, das auch tiefe neuronale Netze ermöglicht. „Unsere Lösung ist so programmiert, dass wir mit einer einzigen Funktion ein komplettes Netz beschreiben können“, erklärt Gembaczka. Die Integration weiterer Netzformen und Strukturen sind aktuell in der Entwicklung. Außerdem entwickeln der Forscher und seine Kollegen neben weiteren Lernalgorithmen und Demonstratoren Hardwarekomponenten für neuronale Netze. Das Fraunhofer IMS arbeitet derzeit an einem RISC-V Mikroprozessor, der einen Hardwarebeschleuniger speziell für neuronale Netze besitzen soll. AIfES wird in einer speziellen Version für diese Hardware optimiert, damit sich diese Ressource optimal nutzen lässt.

Autor:
Firma:
- Anzeige -

News

- Anzeige -

Weitere Beiträge

Das könnte Sie auch interessieren

Kunden begeistern und binden

Mit gutem Service können sich Firmen von der Konkurrenz abheben. Dafür müssen die Mitarbeiter schnell auf relevante Daten zugreifen können und der Kunde an allen Touchpoints gute Erfahrungen machen. Wissensdatenbanken, künstliche Intelligenz sowie unterschiedliche Supportkanäle helfen, das angestrebte Servicelevel zu erreichen.

mehr lesen

Künstliche Intelligenz in ERP-Systemen

ERP-Systeme bilden den Kern der Unternehmens-IT und stellen die zentrale Datendrehscheibe dar. Zunehmend integrieren Anbieter intelligente Algorithmen und KI-Module in ihre Systeme. Ein Team des Fraunhofer-Instituts für Intelligente Analyse- und Informationssysteme IAIS hat das Thema Künstliche Intelligenz und ERP-Systeme aus Sicht von Unternehmen untersucht und zwei Publikationen veröffentlicht: Die Studie »Wie eine ERP-Einführung gelingt« stellt Faktoren vor, die zum Erfolg einer ERP-Einführung beitragen. In Zusammenarbeit mit der Kompetenzplattform Künstliche Intelligenz Nordrhein-Westfalen (KI.NRW) ist zudem die Studie »Künstliche Intelligenz in ERP-Systemen« entstanden. Neben einer Darstellung des Status Quo zum Einsatz von KI fokussiert sie Chancen, Trends und Risiken von KI in ERP-Systemen. Die Publikationen stehen kostenfrei zum Download zur Verfügung.

mehr lesen

Schutz der Privatsphäre und KI in Kommunikationssystemen

Alle zwei Jahre vergeben der VDE, die Deutsche Telekom sowie die Städte Friedrichsdorf und Gelnhausen den mit 10.000 Euro dotierten Johann-Philipp-Reis-Preis an einen Nachwuchswissenschaftler. Dieses Jahr geht er an Prof. Dr.-Ing. Delphine Reinhardt von der Georg-August-Universität Göttingen und an Dr.-Ing. Jakob Hoydis von den Nokia Bell Labs in Nozay, Frankreich. Die beiden Preisträger teilen sich die Auszeichnung und damit das Preisgeld.

Infor bringt Infor Coleman AI auf den Markt

Infor, Anbieter von branchenspezifischer Business-Software für die Cloud, hat bekanntgegeben, dass die Plattform Infor Coleman AI für Embedded-Machine-Learning-Modelle ab sofort verfügbar ist. Sie bietet die Geschwindigkeit, Wiederholbarkeit und Personalisierung, die Unternehmen benötigen, um KI vollständig zu operationalisieren.