KI Delta Learning Projektvorstellung
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Übersicht KI Delta Learning als Teil der KI Familie VDA Leitinitiative autonomes und vernetztes Fahren | KI Familie und ihre Projekte Vision und Ziele Skalierbarkeit von KI | Typische Domain-Änderungen | Delta Learning Methodischer Ansatz und konzeptionelles Vorgehen Transfer Learning, Didaktik, Automotive-Tauglichkeit | Beispielansätze in Delta Learning | Innovationen Projektfakten Projektstrukturplan | Interaktion der Teilprojekte | Projektmeilensteine
VDA Leitinitiative autonomes und vernetztes Fahren Im Rahmen der VDA Leitinitiative gehen die führenden Unternehmen der deutschen Automobil- und Zulieferindustrie innovative Wege der kooperativen Technologieentwicklung. Die von der Leitinitiative entwickelten Projektfamilien adressieren die für die Wettbewerbsfähigkeit besonders wichtigen Forschungsfelder der Entwicklung von Künstlicher Intelligenz und der Verifikation und Validierung hochautomatisierter Fahrfunktionen. Wegweisend für sicheres autonomes Fahren.
Überblick: Aktuelle Projekte der VDA Leitinitiative @City AF | 01.07.2018 – 30.06.2022 | 48 Monate @City | 01.09.2017 – 31.08.2021 | 48 Monate KI Wissen | 01.01.2021 – 31.12.2023 | 36 Monate KI Data Tooling | | 01.04.2020 – 31.03.2023 | 36 Monate KI Delta Learning | 01.01.2020 – 31.12.2022 | 36 Monate KI Absicherung | 01.07.2019 – 30.06.2022 | 36 Monate SET Level | 01.03.2019 – 28.02.2022 | 36 Monate VVM | 01.07.2019 – 30.06.2023 | 48 Monate 2019 2020 2021 2022 2023 2024 2025 Pegasus Familie KI Familie
Die KI meistern: Von der Datenerzeugung zur Absicherung Skalierbarkeit Hochwertige Erhobene Manuelle Datengrundlage Fahren Daten Annotation Annotierte I0II00III0 0I0I0I00 Daten Training Modell 0III0I0I Absicherung I0II00III0 0I0I0I00 Synthetische Daten 0II Wissen 7
Budgets und Workforce der KI-Projekte 700 Budget: 41 Mio. € Förderung: 19,2 Mio. € Personen Budget: 26,15 Mio. € Förderung: 15,87 Mio. € Budget: 25,7 Mio. € Förderung: 16,2 Mio. € Budget: Förderung: 25,9 Mio. € 17,4 Mio. € 80 Partner 8
Mit künstlicher Intelligenz wollen wir besser fahren als der Mensch Fahren Erhobene Manuelle Annotierte Training Modell Daten Annotation Daten Sehen Verstehen Entscheiden Handeln Die KI und das Maschinelle Lernen können bei allen vier Teilaufgaben erfolgreich eingesetzt werden. Vor allem in der Perzeption und der Prädiktion werden hervorragende Ergebnisse erzielt. 10
Was Menschen intelligenten Maschinen noch voraushaben In kurzer Zeit viel sehen Effektiv lernen Selbstständig weiterlernen Lernkurve Schnell skalieren: Der Mensch ist in der Lage, sich schnell an neue Situationen anzupassen und ständig weiter zu lernen 11
Die KI skalieren: Anforderungsänderungen effizient in das Training einbeziehen Die Dynamik des Anwendungsfeldes Automobil: Es besteht enormer zeitlicher und personeller Aufwand für die anwendungsspezifische Datenerfassung sowie das Neutrainieren der algorithmischen Modelle. Ziel ist es, diese Lernabhängigkeit von Daten zu verringern. 12
Typische Domain-Änderungen bei automatisiertem Fahren Örtliche Änderungen China Europa USA 13
Typische Domain-Änderungen bei automatisiertem Fahren Kurzfristige Änderungen Straße und Umgebung Wetter Jahreszeit 14
Typische Domain-Änderungen bei automatisiertem Fahren Langfristige Änderungen 2012 2021 15
Typische Domain-Änderungen bei automatisiertem Fahren Änderungen bei Sensoren PKW frontal LKW / Bus frontal Fish Eye Kamera 16
Typische Domain-Änderungen bei automatisiertem Fahren Änderungen bei neuronalen Netzen 17
Ziel: KI-Lösungen trotz dieser Dynamik und vieler Veränderungen effektiv und effizient skalieren Autonomy Erweiterbarkeit Flexibilität KI-Stand mit neuen Features & Mit Veränderungen & Varianten @Scale Funktionen erweitern in Domänen umgehen können Lernen Zeit Lernen Zeit 18
Unser Ansatz für eine effektive und effiziente Skalierung: Delta Learning Methoden und Werkzeuge zur effizienten Erweiterung und Transformation vorhandener KI-Module autonomer Fahrzeuge, um neuen Domänen und komplexen Szenarien der vielseitigen und sich ständig verändernden Verkehrswelt zu begegnen. 19
3 Methodischer Ansatz und konzeptionelles Vorgehen
Wie wir Delta Learning für die Skalierung einsetzen Transfer Learning Didaktik Automotive-Tauglichkeit Das gelernte Wissen auf neue Das Lernen steuern und führen, Die Anforderungen des Automotive- Domänen übertragen. Lernstrategien entwickeln. Bereichs beim Lernen berücksichtigen. 21
Beispielansätze in Delta Learning Kontinuierliches Lernen Neuer Datensatz Training Neuer Datensatz Training Neuer Datensatz Training Teilüberwachtes Lernen Aktives Lernen Knowledge Distillation 10% Daten Klassifizierung Confident output Input 90% Daten Training Input Output not confident Loss Unüberwachtes Lernen Aktives Lernen Manuelle Annotation Training 22
Innovationen KI Delta Learning wird • die Flexibilität und Erweiterbarkeit von KI-Modulen erhöhen. • die Skalierung von KI-Ansätzen ermöglichen, ohne die Daten- und Entwicklungskosten proportional zu erhöhen. Damit ermöglicht Delta Learning eine effizientere Anpassung an neue Marktanforderungen und einen schnelleren Zugang zu internationalen Märkten bei optimiertem Entwicklungsaufwand. 23
4 Projektfakten
Projektstrukturplan TP1 Valeo TP2 Bosch TP3 ZF TP4 OFFIS TP5 Mercedes-Benz TP6 Mercedes-Benz Datengewinnung Transfer Learning Didaktik Automotive Tauglichkeit Evaluation Projektorganisation AP1.1 CMORE Automotive AP2.1 BMW AP3.1 Porsche Engineering AP4.1 Mercedes-Benz AP5.1 Mercedes-Benz AP6.1 Mercedes-Benz Integriertes Daten- Kontinuierliches Lernen Teilüberwachtes und Robustheit in Open-World Review und Refinement Management & Koordination Management & Verarbeitung unüberwachtes Lernen AP1.2 Valeo AP2.2 Valeo AP3.2 BUW AP4.2 OFFIS AP5.2 BMW AP6.2 Mercedes-Benz Realdatenaufnahme Nutzung synthetischer Daten Trainingsorganisation Herausforderungen Baseline und Training der Austausch mit anderen Embedded Systems Referenzmodelle Projekten AP1.3 OFFIS AP2.3 Bosch AP3.3 BMW AP5.3 DLR AP6.3 Mercedes-Benz Generierung synthetischer Cross-Sensor-Anpassung Aktives Lernen Evaluation und Demonstration Ergebnisverbreitung Daten AP1.4 DLR AP2.4 CARIAD AP3.4 Mercedes-Benz Daten-Labeling Orts- und Zeitdomäne Knowledge Transfer AP2.5 Mercedes-Benz Umgebungsanpassung 25
Interaktion der Teilprojekte Referenz- modelle TP6 TP2 Projektorganisation Transfer Learning Modelle Delta Learning TP1 TP3 TP5 Datengewinnung Trainings- Didaktik Evaluation Bewertungen daten und Demos Methoden Delta Learning TP4 Automotive Tauglichkeit 26
Überblick Projektmeilensteine Projekt- monat 27
KI Delta Learning: Das Projekt auf einen Blick Konsortialleitung: Mercedes-Benz AG Budget: 26,15 Mio. € Laufzeit: 36 Monate 18 Partner Stellv. Konsortialleitung: ZF Friedrichshafen AG Förderung: 15,87 Mio. € 01.01.2020 – 31.12.2022 OEMs Zulieferer Technologieprovider Forschungseinrichtungen Hochschulen 28
Ansprechpartner Projektkoordinator: Projektmanagement: Dr. Mohsen Sefati, Mercedes-Benz AG EICT GmbH EUREF Campus Haus 13 Stellv. Projektkoordinator: Torgauer Straße 12-15 Frank Hafner, ZF Friedrichshafen GmbH D-10829 Berlin E-Mail: ki-dl-projektleiter@eict.de E-Mail: ki-dl-projektmanagement@eict.de Website: ki-deltalearning.de Twitter: twitter.com/KI_Familie LinkedIn: www.linkedin.com/groups/8966973 29
Vielen Dank für Ihre Aufmerksamkeit!
Sie können auch lesen