Hoppa till huvudinnehåll

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.

  1. Skapa initialmodell
  2. Överför nuvarande modell till enheter
  3. Träning på enheter med hjälp av lokal data
  4. Överför lokala modellparametrar till aggregator
  5. Samla parametrar för att skapa uppdaterad modell
  6. 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.

  1. Enheter registrerar sig på nätverk
  2. Enheter tar emot initialmodell
  3. Enheter tränar modell på lokal data
  4. Enheter delar och sammanfogar modeller
  5. 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.

Edge Learning Lab

Edge learning lab, AI Swedens kontor i Göteborg

Projekt

DataRätt InnoVation (DRIV) projekt

DataRätt InnoVation (DRIV) 2021-2023

Projektet DataRätt Innovation (DRIV) har haft som målsättning att skapa förutsättningar för att på ett effektivt och korrekt sätt hantera juridiska frågor som aktualiseras i forsknings- och...
Federated Learning In Banking

Federerad maskininlärning i banksektorn

Penningtvätt utgör ett betydande samhällshot eftersom det möjliggör för brottslingar att utnyttja illegala medel, underminerar allmänhetens förtroende och skadar det finansiella systemet. För att...
Regulatory Pilot Testbed Project

Regulatorisk Pilot Testbädd

Integritetsskyddsmyndigheten (IMY) startade Regulatorisk Pilot Testbädd tillsammans med Sahlgrenska Universitetssjukhuset, Region Halland och AI Sweden. Projektet fokuserade på rättslig vägledning i...
An image displaying satellites in space above earth

SpaceEdge

SpaceEdge är världens första öppna testbädd för utveckling av rymdappar med möjlighet för utvecklare att ladda upp sina appar till SpaceCloud i omloppsbana.

För mer information, kontakta

Mats Nordlund

Mats Nordlund

Director of AI Labs
+46 (0)70-398 08 37
A picture of Helena Theander

Helena Theander

Head of Operations Data Factory
+46 (0)70-928 40 74

Team

Picture of Kim Henriksson

Kim Henriksson

Project Manager Edge Learning Lab
+46 (0)72-970 79 14
Beatrice Comoli

Beatrice Comoli

Administrative Lead Data Factory
+46 (0)70-146 09 64
Picture of Johan Östman

Johan Östman

Research Scientist - Decentralized AI
+46 (0)73-561 97 64
Picture of Edvin Callisen

Edvin Callisen

Research Engineer - Decentralized AI
+46 (0)72-155 88 39