Dansk forsker former fremtidens maskinlæring på Harvard

Forestil dig en fremtid, hvor kunstig intelligens ikke er begrænset til kraftfulde datacentre eller avancerede computere, men er indlejret i alt fra din egen kaffemaskine til industriens sensorer. Det scenarie kan blive til virkelighed med fremkomsten af TinyML, som gør det muligt at køre avancerede AI-modeller på små enheder uden netforbindelse.

En af pionererne inden for dansk forskning i TinyML er ph.d.-studerende Emil Njor fra DTU. I DIREC-projektet “Edge-based AI systems for predictive maintenance” arbejder han på at udvikle maskinlæringsmodeller, der er så komprimerede og effektive, at de kan køre på meget små computere, som er meget mere robuste end systemer, der kræver at både en internetforbindelse og en virkende cloud løsning.

“Da jeg startede på DTU, var der ikke rigtig nogen, der kendte til TinyML. I dag er vi 3-4 ph.d.-studerende, som arbejder inden for feltet, og interessen er eksploderet, fordi man kan gøre alle apparater intelligente uden at være afhængig af internettet eller store mængder energi,” siger Emil Njor.

AI uden skyen

Emil Njors passion for TinyML ligger i høj grad i de miljømæssige fordele. Effektive lokale computere kan nemlig bidrage til mindre ressourcespild, fordi de gør enheder mindre afhængige af konstant datakommunikation med servere i “skyen”.

“Jeg prøver at gå den modsatte vej af de store maskinlæringsmodeller, som bruger mange ressourcer. I stedet arbejder vi på at klippe og klistre modellerne sammen, så de bruger færre ressourcer og kan køre mere energieffektivt på små enheder,” siger han.

Som et eksempel nævner han vejrstationer, der kan bruge mikrofoner til at måle regn eller lytte til vindens hastighed, i stedet for de traditionelle bevægelige dele, der nemt går i stykker.

“Det er en efterspurgt løsning. Især i udviklingslande, hvor der mangler præcise vejrdata, og traditionelle vejrstationer er dyre at vedligeholde.”

Skubber teknologien fremad på Harvard University

I løbet af sin ph.d. har Emil Njor været på et ophold på Harvard University, hvor han hjalp amerikanske forskere med at forfine datasæt og publicere ny forskning, der kan skubbe forskningen i TinyML fremad.

“De datasæt, vi har brugt i årevis, er ofte små, fejlbehæftede og ikke repræsentative for virkeligheden. På Harvard University skabte vi et datasæt, der er 100 gange større og med færre fejl end dem, man tidligere har brugt,” forklarer Njor.

Njor ser mange muligheder for TinyML fremover, især i applikationer, hvor der kræves hurtige og pålidelige svar uden netværksforbindelse. Selvkørende biler er endnu et godt eksempel.

“Biler har brug for effektive sensorer, som kan arbejde uden internet, og TinyML kan give dem den nødvendige kapacitet til at reagere hurtigt – for eksempel hvis en fodgænger pludselig krydser vejen. Teknologien kan virkelig gøre en forskel i praksis, og det er dét, der motiverer mig,” afslutter Emil Njor.

Er du interesseret i at lære mere om Emils arbejde med TinyML? Dyk ned i DIREC-projektet “Edge-based AI systems for predictive maintenance”.