Wir suchen innovative Unternehmen auf der ganzen Welt, die mit uns an der Entwicklung fortschrittlicher verteilter/föderierter Lernmethoden zur datenschutzkonformen Wissenserfassung für die Prozesssteuerung oder -optimierung arbeiten möchten.
Distributed Machine Learning for Privacy-preserving Knowledge Gathering and Model Optimization (DIPLOMA)
Partner Call offen bis: Oktober 2024
Projektziele
Das Projekt befasst sich mit der Entwicklung verteilter und/oder föderierter Methoden des maschinellen Lernens im Kontext der Prozesssteuerung, der Automobilindustrie und/oder der Unterhaltungselektronik.
Wir suchen aktiv nach Partnern für ein Forschungsprojekt, das sich auf die Entwicklung innovativer Methoden und Algorithmen zur dezentralen Analyse von Online-Datenströmen konzentriert. Das Projekt zielt darauf ab, IoT/Edge Knoten lokal zur Vorhersage kritischer Prozessparameter und Ergebnisse zu befähigen.
Durch den Einsatz verteilter und föderierter Lerntechniken wollen wir ein globales datengesteuertes Modell durch Verwendung lokaler Daten („Edge“) verfeinern, ohne die Notwendigkeit einer globalen Datenaggregation. Stattdessen aktualisieren Arbeitsknoten, die sich in Edge-Computing-Infrastrukturen befinden, ihre lokalen Modelle anhand der von ihnen gesammelten Daten. Anschließend werden die anonymisierten Modellparameter gemeinsam genutzt, um einen umfassenden globalen Lernprozess zu ermöglichen. Eine solche Strategie wahrt nicht nur den Datenschutz, indem sie den Austausch von Rohdaten vermeidet, sondern kann auch die Kommunikationseffizienz durch einstellbare Übertragungsintervalle verbessern.
Zu den wichtigsten Herausforderungen und Untersuchungsthemen gehören:
- Erarbeitung eines Anwendungsfalls und der Machbarkeit von verteilten und/oder föderierten Lernmethoden.
- Entwicklung, Einsatz und Test von funktionalen Software-Demonstratoren, die die entwickelte, verteilte und/oder föderierte Machine-Learning-Methode implementieren.
- Optimierung der Methoden zur Modellverfeinerung vor Ort im Hinblick auf die Einschränkungen der Edge-Umgebung, einschließlich Leistungs-, Energie- und Netzwerkbeschränkungen.
- Untersuchung der Wirksamkeit der Wahrung des Datenschutzes durch verteilte und föderierte Lernmethoden.
Erwartete Ergebnisse
Als wichtige Ergebnisse wird das Projekt …
- ein verteiltes und/oder föderiertes Lernverfahren für die datenbasierte Modellierung im Kontext von Prozesssteuerung, Automobilindustrie und/oder Unterhaltungselektronik entwickeln
- einen Demonstrator für ein verteiltes und/oder föderiertes Lernsystem erstellen, das lokale (vor Ort) Modellabstimmung und globale Modelloptimierung unterstützt.
Vorhaben
Internationales Konsortium aus 1-3 Industriepartnern
- Ziel: 1-3 Partner
- 2-3 Jahre Projektlaufzeit
- Universitäten und akademische Partner sind zur Teilnahme berechtigt (es gelten spezielle Bedingungen zur Ausgewogenheit)
- Doktorand:innen im Rahmen des Projekts möglich - betreut durch akademische Partner
Vorteile für Partner
- Attraktive Kofinanzierung: SAL übernimmt 50 % des Projektvolumens, der Partner zahlt nur 25 % Cash und 25 % In-Kind. Mehr zum SAL-Kooperationsmodell.
- Wettbewerbsvorteil: einfachere und schnellere Verwertung zukünftiger Produkte durch Nutzung des erworbenen geistigen Eigentums
- Risikominimierung: frühzeitiges Aufgreifen von technischen Problemen für einen aufstrebenden Markt
- Innovation: zukunftsorientierte Technologien und Erforschung neuer Trends
- Partnerschaft: Zusammenarbeit in einem zukunftsweisenden und effizienten Ökosystem
