Edge Learning Lab

Edge Learning Lab är en unik miljö som möjliggör för yrkesverksamma och studenter från våra partners att utforska möjligheterna och begränsningarna med decentraliserad AI och edge learning.

Edge learning ses som ett av de mest lovande områdena för innovation inom AI, genom att bryta ner centraliserade lagrings- och beräkningsstrukturer till distribuerade lösningar. I AI Swedens Edge Learning Lab möts utvecklare från branschpartners som är inriktade på att lösa verkliga problem med internationella forskare med ett delat intresse för att driva innovationer inom områden som telekom, finans, mobilitet, hälsa, tillverkning, jordbruk och detaljhandel. Labbet är en unik testbädd med toppmodern hårdvara och mjukvara, utformad för att möjliggöra för utvecklare, dataforskare, studenter, forskare och andra användare att utforska och lära sig om edge learning och ställa nya forskningsfrågor.

Om du är intresserad av att bli partner till AI Sweden och få tillgång till partnerförmånerna, inklusive labben, tveka inte att kontakta oss.

Vad är edge learning?

Decentraliserad AI och edge learning handlar om att distribuera träningen och användningen av AI, från en centraliserad lösning till många olika noder. Vi kan träna maskininlärningsmodeller på lokalt tillgänglig (dvs. decentraliserad) data och fatta lokala beslut. Tillvägagångssättet möjliggör kombination av kunskap från flera lokala dataset, utan att faktiskt distribuera rådata mellan enheter, platser och organisationer. Till skillnad från algoritmer som tränas på ett centraliserat dataset distribuerar decentraliserat lärande modeller snarare än 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 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. 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.