Kennisgebaseerde compressie van neurale netwerken: kwaliteitsbewuste model abstracties.

In huidige state-of-practice IoT platformen worden complexe beslissingen op basis van sensor informatie genomen in gecentraliseerde data centers. Elke sensor stuurt zijn informatie door naar een data center waarna een beslissing genomen wordt die doorgestuurd word naar actuatoren. Voor bepaalde applicaties kan de vertraging die door deze communicatie geïntroduceerd wordt voor problemen zorgen. In real time applicaties is het cruciaal dat een beslissing onmiddellijk genomen wordt. Om dit mogelijk te maken dienen beslissing dichter bij de edge of zelfs op de sensoren zelf genomen te worden. Dit is waar het onderzoek naar resource en context bewuste AI om gaat. Hier willen we slimme systemen op de edge bouwen die dynamisch herconfigureren om zich aan te passen aan andere omgevingen en resource beperkingen. Dit project zal zich focussen op het comprimeren van AI modellen, specifiek neurale netwerken. In dit werk willen we de huidige state-of-art uitbreiden door een kennis gebaseerde pruning methode toe te passen. Met kennis gebaseerd bedoelen we dat neurale netwerken geoptimaliseerd zullen worden aan een bepaalde context door de niet nuttige kennis uit het netwerk te verwijderen. Een voorbeeld hiervan is een autosnelweg waar de accuraatheid van voetgangers lager zal mogen zijn. Waardoor we het netwerk kunnen comprimeren door de relevante kennis over voetgangers te verwijderen. Dit werk focust zich er dus op deze kennis, die gecodeerd is doorheen het netwerk, selectief te verwijderen.

Trefwoorden:ARTIFICIËLE INTELLLIGENTIE, INTERNET OF THINGS, VERKLAARBAAR ARTIFICIËLE INTELLLIGENTIE, NEURALE NETWERKEN

Disciplines:Adaptive agents en intelligente robotica, Machine learning en besluitvorming, Computer vision, Patroonherkenning en neurale netwerken