Name des Teilnehmers: Arya Mazaheri
Beschreibung des IT-Forschungsprojekts: Deep Convolutional Neural Networks (ConvNet) sind eine bekannte Technik, die bereits erfolgreich für viele Aufgaben der Computer-Vision eingesetzt wurde, wie z. B. Objekterkennung, semantische Segmentierung und Videoklassifizierung. Kosten, Stromverbrauch, Portabilität und Platzbedarf gehören jedoch zu den Hauptproblemen der Produkthersteller beim Training und Einsatz solcher Netze und erfordern umfangreiche Optimierungen, um für industrielle Anwendungen geeignet zu sein.
Das Training von ConvNets ist von Natur aus hochgradig parallelisierbar und beansprucht Rechenressourcen, die von einer High-End-GPU bis hin zu einem großen Cluster von Maschinen reichen. Obwohl der Industrie und den Produktentwicklern solche Ressourcen ohne weiteres zur Verfügung stehen, wird der Orchestrierung von KI-Aufträgen nicht genügend Aufmerksamkeit geschenkt. Daher sind KI-Projekte zur Hauptquelle von Engpässen in Forschung und Entwicklung geworden. Als Abhilfe schlagen wir einen auf KI zugeschnittenen Auftragsplaner vor, der die Skalierbarkeit von Deep-Learning-Trainingsaufträgen immens verbessern, die Markteinführungszeit verkürzen und erhebliche Betriebskosten einsparen kann.
Sobald das Training eines ConvNet auf ein optimales Niveau konvergiert, wird erwartet, dass das erhaltene Modell auf Low-Budget-Prozessoren eingesetzt werden kann, die häufig in Endgeräten zu finden sind. Dennoch ist der Einsatz von ConvNet-Modellen auf solchen Geräten und die Nutzung der maximalen Leistung eine mühsame Aufgabe, die oft iterative Abstimmungsrunden und Codespezialisierung erfordert. Dieses Projekt zielt darauf ab, sich auf die Computersystemseite von KI-Einsätzen zu konzentrieren und effiziente Deep-Learning-Vision-Algorithmen für Low-Budget-Prozessoren zu entwickeln. Zunächst finden wir eine geeignete ConvNet-Basisarchitektur, die sich für die Skalierung entsprechend der Zielhardwarearchitektur eignet. Dann generieren wir hardwaretaugliche ConvNet-Modelle mithilfe der neuronalen Architektursuche (NAS) und versuchen dabei, ein Gleichgewicht zwischen Genauigkeit und Laufzeitleistung zu finden.
Eine der Aufgaben der deutschen Bundesregierung im Rahmen der Hightech-Strategie 2025 ist es, KI in die praktische Anwendung zu bringen. Das vorgeschlagene Projekt entspricht dieser Vision und zielt darauf ab, Innovationen im Bereich der KI zu ermöglichen, indem es den Weg für den Einsatz von KI auf Millionen, wenn nicht Milliarden von KI-Geräten in der ganzen Welt erkundet. Insbesondere ermöglicht dieses Projekt erschwingliche Computer Vision für alle Arten von Massenprodukten wie autonome Fahrzeuge (Autos, Züge, Busse, Lastwagen), UAVs (Unmanned Aerial Vehicle, auch bekannt als Drohnen) und IoT-Geräte (Internet of Things).
Software Campus-Partner: TU Darmstadt & Huawei
Umsetzungszeitraum: 01.04.2021 – 31.03.2023
