Så kan AI fungera bättre i smarta prylar

Avhandlingen handlar om att implementera djupinlärningsapplikationer på inbyggda system, det vill säga alla datorsystem med en specialfunktion – till exempel en smart klocka eller en självkörande bil.

Djupinlärning är en typ av teknik inom artificiell intelligens som ”lär datorer att lära sig” medan de arbetar. Denna teknik gör det möjligt för en förarlös bil att känna igen olika trafikskyltar, men finns i allt från smart teknik för hemmet till sjukhusutrustning.

– Tekniken väcker frågan om hur man kan använda applikationerna, garantera deras effektivitet och hantera den tekniska utvecklingen när det gäller algoritmer för djupinlärning, som hela tiden blir mer intelligenta, säger Nesma Rezk som nyligen doktorerat vid Högskolan i Halmstad.

Möjliggör AI i vardagen

Det finns avancerade hårdvaruplattformar med kraftfull prestanda, men  djupinlärningsmodellernas höga krav på hårdvarans data- och minnesresurser innebär en utmaning. Om hårdvaran och modellerna inte är tillräckligt kompatibla kan applikationernas effektivitet begränsas.

Algoritmer optimeras

Nesma Rezk förvånades av att det i många fall var möjligt att komprimera djupinlärningsmodellen till mindre än en fjärdedel av den ursprungliga storleken och ändå få modellen att fungera korrekt.

– Djupinlärningsapplikationer bör inte sättas i drift direkt i inbäddade system. Ett första steg som kallas algoritmisk optimering bör tillämpas först. Algoritmisk optimering är en metod som minskar kraven från djupinlärningsapplikationer och gör det möjligt att köra dem på resursbegränsade plattformar samtidigt som de fungerar som de ska.

Länk mellan djupinlärning och vardagsliv

Nesma Rezk tror att hennes forskning kan bli en del av länken mellan djupinlärning och människors vardag.

– Genom att möjliggöra användningen av djupinlärningsapplikationer på inbäddade plattformar och göra tillämpningen effektiv, snabb och robust, kan vi integrera AI överallt i vardagen, säger hon.

Avhandling:

Deep Learning on the Edge: A Flexible Multi-level Optimization Approach, Högskolan i Halmstad.

Kontakt:

Nesma Rezk, forskare vid akademin för informationsteknologi vid Högskolan i Halmstad, nesma.rezk@hh.se