Het gebruik van IoT sensornetwerken neemt snel toe, en volgens de laatste prognoses zal deze trend nog versnellen. Het doel van deze netwerken is het verzamelen van (veel) lokale data via IoT-nodes, deze data te analyseren, en de gebruiker te waarschuwen indien actie moet worden ondernomen.
De implementatie ervan brengt echter ook een aantal uitdagingen met zich mee. De waarde van datacollectie op vele plaatsen neemt snel toe. Vooral als er veel data kan worden verzameld, ontstaat de mogelijkheid om machine learning technieken toe te passen als enabler voor Artificiële Intelligentie (AI). Dit vindt nu reeds ingang en op de linkse figuur hieronder ziet u de situatie zoals deze vandaag bestaat in voornamelijk grotere bedrijven. De sensoren, die in elkaars buurt staan, sturen de ruwe data door naar een back-end server, waarop algoritmes draaien ter analyse van de data. Dit heeft een aantal belangrijke nadelen.
In de eerste plaats is er de belasting van het communicatienetwerk, ten tweede is er het hogere energieverbruik door de sensornodes (dit is vooral kritisch voor batterijgevoede nodes) en er wordt ook een grote vertraging geïntroduceerd door de communicatie over lange afstand. Tenslotte is er de grote afhankelijkheid van de connectie met de back-end server, terwijl in het rechtse scenario tijdelijke loskoppeling van het Internet geen probleem vormt wat de bedrijfszekerheid verhoogt. Teneinde hieraan tegemoet te komen, willen we de rechtse situatie van de figuur implementeren. Een hub onder de vorm van een off-the-shelf single board computer (SBC), waarop lokaal embedded AI algoritmes draaien, verwerkt de sensordata. De hub staat in de directe omgeving van de sensornodes, waardoor het energieverbruik en de netwerkvertraging minimaal zijn (edge computing).
De kerntaak in dit project is de implementatie van de rechtse configuratie, waarbij er expliciet naar wordt gestreefd om de kennistransfer voor de realisatie ervan te maximaliseren. De focus ligt hierbij op kleinere Vlaamse ondernemingen die AI willen implementeren maar er niet de mankracht voor hebben en/of voldoende kennis in huis hebben. De vraag voor AI expertise overstijgt in sterke mate het aanbod, met dit project willen we de kennis laten doorstromen naar zoveel mogelijk bedrijven en integreren in onze opleidingen.
Om dit verder te concretiseren wordt dit toegepast op twee verschillende application scenario’s, wat tevens de brede toepasbaarheid zal benadrukken. In het eerste scenario, healthcare, primeert het energieverbruik. In het tweede, smart cities, is latency de meest bepalende factor. Elk application scenario zal gebruik maken van de input van de verschillende sensoren, om ten volle gebruik te maken van de voordelen van machine learning voor multi-parameter analyses. Per scenario zal worden gekeken welke machine learning technieken gebruikt kunnen worden. Energieoverwegingen en accuraatheid zijn hierbij de voornaamste criteria om deze trade-off te maken.
Doelstellingen van AISiBoCo:
- Het uitwerken van een generieke oplossing (zowel hardware als software) voor AI op single board computers.
- Toepassing van deze generieke oplossing op twee representatieve gebruikersscenario’s: gezondheidszorg en smart cities.
- Een ontwerp stappenplan/flowchart in software zodat ondernemingen zelfstandig én laagdrempelig een AI-oplossing kunnen toepassen in hun eigen context.
Wat kan u als ondernemer verwachten?
- Kennis over de praktische implementatie van embedded AI
- Hoe past u als onderneming AI zelfstandig en laagdrempelig toe?
- Netwerken met Vlaamse bedrijven en kenniscentra
Interesse om toe te treden tot de begeleidingsgroep? Contacteer ons!