Fragen? Antworten!
Wir beantworten eure Fragen zum KI-Framework und Learn AIfES. Wenn Ihr noch mehr wissen wollt, scheut euch nicht, unsere Experten weiterhin hier auf der Pinnwand oder auf LinkedIn zu fragen!
Was brauche ich, um mit AIfES durchzustarten?
Da AIfES Open Source und damit für jeden kostenlos zugänglich ist, könnt Ihr im Prinzip direkt loslegen! Für den einfachen Einstieg möchten wir euch mit Learn AIfES kostenlose Webinare anbieten. Egal ob schon Profi oder Neuling im Bereich des maschinellen Lernens, wir wollen euch AIfES beibringen und zu echten KI-Experten machen.
Auf welchen Geräten läuft AIfES?
Das Tolle an AIfES: Es kann auf fast jedem System benutzt werden, egal ob Mikrocontroller, IoT-Gerät, Raspberry PI, PC oder Smartphone. Ihr könnt es euch also sparen neue Hardware zu kaufen und direkt loslegen!
Für welche ML Probleme ist AIfES geeignet?
Im Prinzip für jedes Machine Learning Problem, dass ihr mit komplexen Neuronalen Netzwerken lösen könnt. Ihr braucht noch Inspiration? Da helfen unsere Demonstratoren: Gestenerkennung, Erkennung von Farben und Objekten, aber auch ein interaktives Tic-Tac-Toe Spiel plus den dazugehörigen Code.
Seid ihr schlauer als AIfES? Probiert es aus:Tic-Tac-Toe Simulator.
Learn AIfES und hochwertige Bildung
Das Projekt unterstützt das UN-Nachhaltigkeitsziel zur Weiterentwicklung von KI für hochwertige Bildung. Mit diesem Ziel soll die inklusive, gleichberechtigte und hochwertige Bildung gewährleistet werden und die Möglichkeiten lebenslangen Lernens für alle gefördert werden.
Durch Deine Unterstützung hilfst Du dem Learn AIfES-Team, die kostenlosen Webinare und mögliche weitere coole Formate und Entwicklungen in die Welt zu tragen. Getreu dem Open Source Gedanken werden die Ergebnisse allen frei zur Verfügung gestellt werden.
Learn AIfES und Klimaschutz
Deep Learning auf Hochleistungsrechnern kann extrem viel CO2 ausstoßen. Die University of Massachusetts hat 2019 eine Ökobilanz für das Training großer KI-Modelle erstellt. So können etwa bei dem Prozess der Verarbeitung natürlicher Sprache (NLP) mehr als 283,9 Tonnen CO₂ ausgestoßen werden. Das entspricht fast der fünffachen Lebenszeitemissionen eines durchschnittlichen amerikanischen Autos. Aufgrund dessen rufen Experten dazu auf, effizientere Algorithmen und Modelle zu entwickeln, sowie Hardware zu verwenden, die weniger Energie benötigt (Strubell et al. 2019).
Da wir mit unserem Projekt Privatpersonen, sowie Industrie ein Framework in die Hand geben, mit dem eben dies möglich gemacht wird, geben wir alles um das UN-Nachhaltigkeitsziel Klimaschutz zu unterstützen.
Was ist so spannend an Tiny ML?
Nach der Definition der TinyML Foundation ist Tiny Machine Learning (TinyML) ein schnell wachsendes Feld von Technologien und Anwendungen des maschinellen Lernens. Umfasst werden Hardware, Algorithmen und Software, die in der Lage sind, Sensordaten auf dem Sensorknoten bei extrem niedrigem Stromverbrauch (typischerweise im mW-Bereich und darunter) zu analysieren und somit eine Vielzahl von Anwendungen auch auf batteriebetriebenen Geräten ermöglichen. Es werden rasante Fortschritte erzielt. So wurden etwa erhebliche Erfolge bei Algorithmen, Netzwerken und Modellen mit einer Größe von 100 kB und weniger erreicht und erste stromsparende Anwendungen in den Bereichen Bildverarbeitung und Audio entwickelt.
AIFES ist ein Vorreiter und ermöglicht erst die Datenverarbeitung auf eingebetteten Systemen. So können Daten auf Mikrocontrollern und kleinen IoT-Geräten gespeichert und die Verarbeitung ohne Übertragungsverzögerung durchgeführt werden.
Mehr zu TinyML auf der Webseite der TinyML Foundation.
Wie kann ich AIfES installieren
Ihr könnt AIfES über die Suche nach "aifes" mit dem Arduino Library Manager herunterladen und installieren. Alternativ dazu ist auch der manuelle Download möglich. Ladet dazu das AIfES-Repository als ZIP-Archiv herunter und folgt den Anweisungen. Alle Informationen dazu findet Ihr auf unserem GitHub:
Inwiefern kann die Architektur angepasst werden?
AIfES wurde als flexible und erweiterbare Toolbox für den Betrieb und das Training von künstlichen neuronalen Netzen auf Mikrocontrollern entwickelt. Alle Layer, Loss- und Optimierungsfunktionen sind modular und können für verschiedene Datentypen und Hardware-Plattformen optimiert werden. AIfES unterstützt aktuell komplexe neuronale Netzwerktypen für Inferenz und Training.
Übrigens: Der brandneue Python AIfES Converter verwandelt alle TensorFlow- oder PyTorch-Modell in ein AIfES-Modell mit nur zwei Zeilen Python-Code. Das resultierende AIfES-Modell kann dann direkt auf eurem Mikrocontroller verwendet werden.
Referenzen
- Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 3645–3650, Florence, Italy. Association for Computational Linguistics.
- tinyML Foundation. Abgerufen am 25. Oktober 2022, von https://www.tinyml.org/
