EmbedML: Versnelde integratie van MachineLearning in producten met Embedded Hardware (EmbedML)

Situering

Het slimmer maken van producten met digitale technologie is één van de cruciale digitale transformaties van ondernemingen in de maakindustrie en machine learning (ML) is hierbij een sleuteltechnologie. Dankzij recente evoluties in ontwikkelplatformen en embedded hardware kan ML nu ook toegepast worden in de microcontrollers die we terugvinden in een breed scala aan producten voor diverse toepassingen. Hoewel embedded ML binnen het bereik van de bredere industrie komt, moet de doelgroep van bedrijven die slimme producten ontwikkelen nog een grote innovatiesprong maken om deze technologie op de juiste manier en aan de juiste kost in hun productontwikkeling te integreren.

Algemeen doel

EmbedML ontwikkelt een set van ondersteunende tools die KMO’s begeleiden bij het slimmer maken van hun producten met embedded machine learning. Hierdoor kunnen ze producten met hogere toegevoegde waarde realiseren en de ontwikkeling ervan versnellen. De tools brengen inzicht in de problem-solution fit van hun beoogde oplossing, hoe ze snel proof-of-concepts (PoCs) kunnen uitwerken en wat de vereiste ontwikkelstappen zijn vanaf het concept tot het ondersteunen van producten bij eindgebruikers.

EmbedML richt zich op een 150-tal bedrijven (85% KMO’s) die slimme producten ontwikkelen en als vroege gebruikers gedreven zijn om nieuwe digitale technologie in producten te integreren. In de eerste plaats op de bouwers van slimme sensor- en monitoring oplossingen, en bedrijven die ontwikkeldiensten leveren voor productbedrijven onder de vorm van elektronische modules en/of software. In de tweede plaats ook op productbouwers die slimme features aan hun systeem willen toevoegen en dit eerder aan dienstenleveranciers uitbesteden.

Concrete doelen

Om de integratie van machine learning in de producten van de doelgroep te helpen versnellen, streeft EmbedML de volgende projectresultaten en KPI’s na:

·         Online casebook van industriële toepassingen van embedded ML die KMO’s helpt bij het identificeren en evalueren van opportuniteiten.

·         Instrumenten ter ondersteuning van de bedrijven voor de eigen ontwikkeling van PoCs, die enerzijds ontwerpregels aanreiken voor evaluatie van de haalbaarheid en anderzijds praktijkmethodes voor het optimaal inzetten van bestaande ontwikkelplatformen.

·         Geïntegreerde ontwikkelaanpak en -richtlijnen die de vereisten, technieken en benodigde expertise verduidelijken vanaf initiële haalbaarheid tot de opvolging van producten bij eindgebruikers.

·         Industriële voorbeeldcases die de ontwikkelaanpak en -richtlijnen valideren en ondersteunen. Voor minstens 8 cases (4 in Vlaanderen) wordt het volledige concept uitgewerkt en voor 4 cases (2 in Vlaanderen) worden PoCs gebouwd.