Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Impulse 16 -17 2020 Elektronik 11 Künstliche Intelligenz in Embedded-Anwendungen Jens Stapelfeldt von Xilinx in Europa zeigte in seinem Vortrag wie sich FPGAModule im Smart-City-Umfeld einsetzen lassen und erläuterte welche Rolle dabei die intelligente Video Analyse IVA spielt Er stellte dazu die Demonstrationsplattform SmartCamera+ vor mit der sich verschiedene IVA-Anwendungen evaluieren und realisieren lassen Bild 3 Neuronale Netze entwickeln sich schnell daher braucht man adaptierbare Hardware erklärte Stapelfeldt Prof Dr Martin Kumm von der Hochschule Fulda beschäftigte sich in seinem Vortrag wie sich CNNs Convolutional Neural Networks auf FPGAs implementieren lassen Zur Optimierung von CNNs auf Programmierbarer Logik schlägt er drei Schritte vor 1 Reduzierung der Komplexität von Multiplikationen 2 Unnötige Berechnungen entfernen und 3 Rekonfigurierbarkeit zur Laufzeit nutzen Dazu stellte er einen Tool-Flow Bild 4 vor der in Zusammenarbeit mit der Universität Kassel entwickelt wurde Allerdings warnt Kumm auch Die Implementierung von neuronalen Netzen auf FPGAs ist aufgrund der vielen Freiheitsgrade schwierig Mit künstlicher Intelligenz am Edge in Zusammenhang mit dem Datenbanksystem Microsoft Azure befasste sich der Vortrag von Raphael Goj von M&M Software einer Tochter von Wago Mit Azure IoTEdge können analytische Cloud-Dienste auf dem Edge-Gerät ausgeführt werden Goj zeigte anhand der drei Dienste Azure Cognitive Services Azure Stream Analytics und Azure Machine Learning beispielhaft wie sich diese Dienste praktisch nutzen lassen Bild 5 Dr Daniel Gaida Gruppenleiter der Forschungsgruppe KI bei der HahnSchickard-Gesellschaft für angewandte Forschung stellt in seinem Vortrag die Frage Wie kann man Daten für künstliche Intelligenz nutzen welche nicht alle an einem Ort gespeichert werden können und wie kann man diese Daten kooperativ nutzen? Er stellte dazu ein Verfahren kooperativer künstlicher Intelligenz vor das auf einem Federated Learning-Ansatz basiert Bild 6 Dieser besteht aus den Schritten ➔ Initialisierung und Erstellung eines KIModells ➔ Verteilung des KI-Modells ➔ Lokales Training der KI-Modelle ➔ Einsammeln der KI-Modelle und Fusion Vorteile des Federated Learnings sind jeweils ein hohes Maß an Datenschutz Zuverlässigkeit Energieeffizienz und Robustheit Wie sich neuronale Netze auf Mikrocontrollern abbilden lassen demonstrierte Raphael Zingg vom Institut Embedded Systeme der Zürcher Hochschule für angewandte Wissenschaften in seiner Präsentation Dazu stellte er die verschiedenen Frameworks zur Implementierung vor wie X-Cube-AI von STMicroelectronics Bild 7 Tensorflow Lite von Google e-AI Translator von Renesas und Jianjia Ma mit ARM CMSIS-NNBackend Ein vielversprechender Ansatz sei der Einsatz von adaptiven neuronalen Netze wie Zingg ausführte und erläuterte GS Bild 6 Eine Lösung für die Analyse verteilter Daten stellte Dr Daniel Gaida von Hahn-Schickard vor Kooperative künstliche Intelligenz auf Basis von Federated Learning Bild Forum KI | Hahn-Schickard Forum KI 2021 Das 4 Forum Künstliche Intelligenz wird voraussichtlich wieder als Präsenzveranstaltung am 21 04 2021 in Stuttgart stattfinden Weitere Informationen finden Sie unter www forumki eu Zum Online-Artikel mit Bilderstrecke Bild 7 Die Implementierung von KI-Funktionen auf Mikrocontrollern erläuterte Raphael Zingg von der Zürcher Hochschule für Angewandte Wissenschaften Bild Forum KI | zhaw | STMicroelectronics