Name des Teilnehmers: Martin Rapp
Beschreibung des IT-Forschungsprojekts: Die Anzahl an Geräten, die (teil-)autonom mit der realen Welt interagieren, wächst stark, nicht zuletzt aufgrund des rasanten Wachstums des IoT. Oftmals wird maschinelles Lernen verwendet, um die Interaktion mit der Umgebung zu steuern. Beispiele hierfür sind Prozessvorhersagen in intelligenter Produktion, Vorschläge für Nutzeraktionen in Smartphone-Apps oder Vorhersagen im Bereich des autonomen Fahrens. Wenn mehrere Geräte eine ähnliche Aufgabe erfüllen und mit einer ähnlichen Umgebung interagieren, können diese Geräte kooperativ lernen und damit die Qualität der gelernten Modelle verbessern.
Trainingsdaten an einen zentralen Server (z.B. in der Cloud) zu schicken kann aus verschiedensten Gründen, wie z.B. hoher Latenz, oder Privatsphäre, nicht praktikabel sein. Daher kann aktuell ein Trend zum verteilten Lernen beobachtet werden. Dabei trainiert jedes Gerät mit seinen eigenen Erfahrungen weiter. Um von Erfahrungen anderer Geräte zu profitieren, tauschen die Geräte die aktualisierten Modelle aus.
Um Geräte in großer Anzahl realisieren zu können, muss jedes einzelne Gerät mit geringen Kosten produziert werden und wenig elektrische Leistung und Energie benötigen. Das führt dazu, dass diese Geräte stark ressourcenbeschränkt bzgl. verfügbarer Rechenleistung, el. Energie, el. Leistung, Speicher oder Bandbreite sein können. Diese Beschränkungen variieren bezüglich Art und Ausprägung zwischen verschiedenen Geräten und formen damit ein heterogenes System. Stark ressourcenbeschränkte Geräte sind nicht in der Lage kontinuierlich komplexe Modelle lokal zu trainieren, was verteiltes Lernen schwer macht.
Das Ziel dieses Vorhabens ist die Entwicklung von Techniken, die kooperatives maschinelles Lernen auf heterogenen verteilten System bestehend aus ressourcenbeschränkten Geräten ermöglichen.
Software Campus-Partner: KIT, Huawei
Umsetzungszeitraum: 01/2020 bis 04/2022
