Edge Learning

Edge learning är ett tillvägagångssätt inom AI som förlägger databehandlingen närmare datakällan – vilket möjliggör snabbare, mer effektiva och integritetsmedvetna lösningar. Idag är edge learning en central del av AI och en grundläggande komponent i flera av AI Swedens pågående projekt.

Exempel på relaterade projekt

AI Sweden för samman teknikutvecklare, industripartners som löser verkliga utmaningar och forskare som driver innovation inom områden som finans, mobilitet, hälsa, tillverkning och energi. Genom att tillämpa edge learning möjliggör vi integritetsbevarande och samarbetsinriktade AI-lösningar som arbetar nära datakällan – och därigenom lyfter både prestanda och effektivitet till nya nivåer.

Vad är edge learning?

Decentraliserad AI och edge learning handlar om att flytta intelligens och inlärning ut till olika enheter och organisationer. Vi kan träna maskininlärningsmodeller på lokalt tillgänglig (det vill säga decentraliserad) data och fatta beslut lokalt som är baserat på all data. Detta tillvägagångssätt möjliggör att kunskap från flera lokala datamängder kan kombineras – utan att data delas mellan enheter, platser eller organisationer. Till skillnad från algoritmer som tränas på ett centraliserat dataset, bygger decentraliserad inlärning på att det är modellerna som distribueras – inte själva datan.

I federated learning, aggregeras lokala modeller som tränats i edge-enheter vanligtvis på en central plats.

Skapa initialmodell
Överför nuvarande modell till enheter
Träning på enheter med hjälp av lokal data
Överför lokala modellparametrar till aggregator
Samla parametrar för att skapa uppdaterad modell
Skicka den senaste modellen för vidare träning eller driftsättning

A picture of a model of federated learning

I swarm learning, används en av edge-enheterna också som en aggregator.

Enheter registrerar sig på nätverk
Enheter tar emot initialmodell
Enheter tränar modell på lokal data
Enheter delar och sammanfogar modeller
Upprepa steg 3-4 tills nöjd

A picture displaying a model of swarm learning

Vilka är fördelarna med edge learning?

Traditionella centraliserade AI-applikationer har utvecklats under de senaste decennierna för att omforma hur vi lever och rör oss. Vi är bekanta med röstassistenter (t.ex. Siri, Alexa och Google Assistant). Aktiv förarassistans och automatiserade körfunktioner ökar i förekomst för att höja säkerheten och minska belastningen på förare. Samma trend syns inom hälso- och sjukvård, där assistans vid diagnostik används för att hjälpa läkare att sålla, identifiera och korrekt diagnostisera medicinska tillstånd.

Ämnen som AI-etik, datasekretess, datasäkerhet, dataägarskap, dataöverföring, beräkning och lagringskostnader är bekymmer för företag, allmänheten och regeringar. Länder har börjat skapa policys som förstärker lokalt vs globalt lärande (t.ex. europeiska dataskydd, kinesiska dataskydd) eller på annat sätt begränsar den långsiktiga delade öppna användningen av data. Samtidigt är intressenter alltmer oroade över AI-snedvridning och argumenterar starkt för behovet av mer diversifierad och mindre restriktiv modellering.

Genom att flytta lärandet till kanten kan organisationer börja samarbeta globalt samtidigt som de hanterar bekymmer kring datasäkerhet, datasekretess och hinder för dataöverföring. Samtidigt drar de nytta av att utnyttja annars outnyttjade beräkningsresurser för att lösa växande problem med bristerna i datahungrig modellering.

Utforska banbrytande AI-lösningar

AI Sweden erbjuder en testbädd där partnerorganisationer kan samarbeta, testa och utforska banbrytande AI-lösningar. Testmiljön utvecklas kontinuerligt och erbjuder en hybridmiljö — som kombinerar fysisk infrastruktur i Göteborg (bilder nedan), Linköping och Helsingborg med digitala och molnbaserade komponenter.

Läs mer