AIfES: machine learning voor sensoren

Machine learning is een concept dat vaak gelinkt wordt aan big data en de cloud, maar dat hoeft niet per se het geval te zijn. Onderzoekers aan het Fraunhofer Instituut hebben met AIfES een conept ontwikkeld om machine learning toe te passen in embedded systemen. De bibliotheek maakt het mogelijk om compacte neurale netwerken op te zetten in sensoren en andere devices.

Machine learning op basis van neurale netwerken – wat men deep learning noemt – wordt steeds vaker ingezet voor patroonherkenning, bijvoorbeeld in visiesystemen en spraaktechnologie. Dergelijke toepassingen werken typisch met grote hoeveelheden data en het runnen van de neurale netwerken vergt veel rekenkracht.

Virtuele assistenten zoals de befaamde Alexa van Amazon zenden grote hoeveelheden data naar de cloud waar een neuraal netwerk getraind wordt om uw stem te herkennen en dat wat u zegt om te zetten in tekst. Die tekst wordt vervolgens geïnterpreteerd in een klassiek algoritme en het resultaat wordt dan weer teruggestuurd naar het device.

Een van de issues met dat concept is privacy. In april nog ging in de media het gerucht dat medewerkers van Amazon nu en dan zouden meeluisteren naar de gesprekken van nietsvermoedende gebruikers van het hebbeding.

Voor industriële toepassingen is dat privacy aspect nog veel belangrijker. Geen enkel bedrijf wil dat een derde partij zomaar kan mee kijken naar wat er allemaal in de productiehal of het magazijn gebeurt.

Gebaren herkennen

Dat privacy aspect was een van de drijfveren bij het ontwikkelen van AIfES, wat staat voor Artificial Intelligence for Embedded Systems. Het gaat om een bibliotheek ontwikkeld in C waarmee neurale netwerken opgezet kunnen worden in microcontrollers.

Het gevolg is dat sensoren en andere devices met de technologie aan machine learning kunnen doen zonder data te verzenden. Het artificiële netwerk kan lokaal getraind worden en met die instellingen meteen ook aan de slag gaan.

Onderzoekers aan het Fraunhofer IMS ontwikkelden als demonstratie een armband die gebaren kan herkennen zodat de gebruiker input kan geven door in de lucht cijfers te schrijven. Om het netwerk te trainen moet de gebruiker elk cijfer eerst tien keer schrijven. Vervolgens kan het netwerk aan de hand van de gebaren van de gebruiker achterhalen welk cijfer geschreven wordt.

Dat zou een alternatief kunnen zijn voor voice picking in de logistiek, stellen de onderzoekers, omdat de methode betrouwbaarder is.

Het analyseren van gebaren zou nog in tal van andere toepassingen zinvol kunnen zijn. Er wordt heel wat onderzoek gedaan naar visiesystemen die in staat zijn om te achterhalen wat een mens aan het doen is. Misschien kan dat in aantal gevallen even goed of beter door te kijken welke bewegingen de mens maakt;

Verder is het analyseren van gebaren is ook slechts een voorbeeld. De technologie zou bijvoorbeeld ook in sensoren gebruikt kunnen worden voor automatische kalibratie.

Pre-processing van data

De clue van AIfES zit echter niet zozeer in het neurale netwerk dat compact genoeg is om op embedded systemen te kunnen draaien. Wat echt cruciaal is, is het reduceren van de data tot essentiële input die behapbaar is voor het kleine neurale netwerk. Die pre-processing van data maakt eveneens deel uit van de AIfES bibliotheek, maar vergt ook heel wat strategische voorbereiding, aangepast aan een specifieke toepassing.

Dat data lokaal verwerkt wordt en niet verzonden moet worden naar de cloud brengt overigens nog een bijkomende reeks toepassingen met zich mee. Met behulp van AIfES kunnen immers systemen met gedecentraliseerde intelligentie – in dit geval zelfs gedecentraliseerde artificiële intelligentie – opgezet worden. Dat moet sensoren in staat stellen om hun meetwaarden lokaal te analyseren zodat ze minder data moeten doorsturen naar andere systemen.

Fraunhofer stelt de technologie eind deze maand voor op de Sensor+Test,beurs in Nürnberg.

© Productivity.be, 11/06/2019