KI Delta Learning Projektvorstellung
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
KI Delta Learning Projektvorstellung
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
1
1 KI Delta Learning als Teil der
KI Familie
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 Familie und ihre Projekte
6
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
2
Vision und Ziele
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.
10Was 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
11Die 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.
12Typische Domain-Änderungen bei automatisiertem Fahren
Örtliche Änderungen
China Europa USA
13Typische Domain-Änderungen bei automatisiertem Fahren
Kurzfristige Änderungen
Straße und Umgebung Wetter Jahreszeit
14Typische Domain-Änderungen bei automatisiertem Fahren
Langfristige Änderungen
2012 2021
15Typische Domain-Änderungen bei automatisiertem Fahren
Änderungen bei Sensoren
PKW frontal LKW / Bus frontal Fish Eye Kamera
16Typische Domain-Änderungen bei automatisiertem Fahren
Änderungen bei neuronalen Netzen
17Ziel: 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
18Unser 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.
193
Methodischer Ansatz und
konzeptionelles VorgehenWie 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.
21Beispielansätze 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
22Innovationen
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.
234
ProjektfaktenProjektstrukturplan
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
25Interaktion 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
26Überblick Projektmeilensteine
Projekt-
monat
27KI 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
28Ansprechpartner
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
29Vielen Dank für Ihre Aufmerksamkeit!
Sie können auch lesen
