11. november 2026
Postdoc Alessandro Cerioli er en del af DIREC-projektet REINS, hvor han undersøger, om hovedtelefoner fungerer bedre med et team af små AI-specialister end med én stor model.
Alessandro Cerioli flyttede til Danmark for at studere lyd. Omkring fem år senere er han her stadig – og arbejder nu med en udfordring for et af landets mest kendte lydbrands.
Alessandro er uddannet civilingeniør i computerteknologi fra Politecnico di Milano. Derefter kom han til Danmark for at tage en kandidatuddannelse i Sound and Music Computing på Aalborg Universitet.
Efterfølgende arbejdede han som embedded developer hos høreapparatvirksomheden GN, inden han påbegyndte en erhvervs-ph.d. i samarbejde med Jabra og DTU. I dag er han postdoc på DTU, hvor han er tilknyttet DIREC-projektet REINS og arbejder sammen med Bang & Olufsen.
Hovedtelefoner skal kunne håndtere rigtig mange opgaver på meget lidt plads. De skal forbedre talelyden, når du bevæger dig fra et stille kontor ud på en trafikeret gade. De skal reagere øjeblikkeligt og samtidig kunne holde strøm hele dagen på et lille batteri.
En stor, generel AI-model kan håndtere mange forskellige situationer. Men den fylder for meget til at kunne være i en lille øreprop, og den er for langsom, hvis alle lyde skal sendes frem og tilbage til et datacenter.
Det er netop dette dilemma, Alessandro arbejder med. Den store løsning er én omfattende AI-model, der kan håndtere alle situationer. Alessandro kalder det en global løsning, som er mindre specialiseret, men kan dække det hele.
Den lille løsning består derimod af flere kompakte modeller – såkaldt tinyML (Tiny Machine Learning) – hvor hver model er trænet til at være ekspert inden for en bestemt situation.
“Jo mere man forbedrer kvaliteten, desto flere ressourcer kræver det som regel af hardwaren. Det handler derfor om at finde den optimale balance.”
Men den balance, Alessandro arbejder med, handler ikke kun om hovedtelefoner.
Det meste af den AI, vi bruger i dag, er bygget op omkring store modeller, som kræver enorme mængder energi. Alessandro mener, at vi er nødt til at gentænke måden, vi bruger AI på. Som det ser ud nu, er udviklingen ikke bæredygtig – hverken økonomisk eller i forhold til forbruget af energi og vand.
AI kan anvendes mange flere steder, tættere på dér, hvor tingene sker, og med et langt mindre energiforbrug. Første skridt er at finde ud af, hvornår det giver mening at bruge store modeller, og hvornår mindre modeller er tilstrækkelige.
Det meste AI kører i dag i store datacentre. Din enhed sender data via internettet til en kraftig computer, som behandler dem og sender svaret tilbage. Med edge AI foregår behandlingen direkte på selve enheden – for eksempel i et par hovedtelefoner eller en sensor. Enheden har kun begrænset computerkraft og batterikapacitet. Det sparer energi, fjerner forsinkelsen ved at sende data frem og tilbage og gør det muligt at arbejde uden internetforbindelse.
TinyML står for Tiny Machine Learning og handler om at køre AI på meget små chips med lavt strømforbrug (mikrocontrollere). De har ofte kun ganske få kilobytes hukommelse og drives af et meget lille batteri. Et par trådløse ørepropper er et typisk eksempel på en enhed, hvor TinyML kan komme i spil.
Adaptiv AI handler om at tilpasse sig. I stedet for at udføre den samme opgave på samme måde hele tiden ændrer teknologien sin tilgang, når forholdene ændrer sig. Det kan for eksempel ske ved at skifte til en anden specialiseret AI-model, når sproget, baggrundsstøjen eller opgaven ændrer sig.
Alessandros arbejde er en del af REINS, et DIREC-projekt, der løber fra 2025 til 2027.
Målet er at udvikle AI, der kan fungere effektivt på små enheder med meget begrænset computerkraft.
Projektet samler DTU, Syddansk Universitet, Alexandra Instituttet, Bang & Olufsen og Leica Geosystems.
