AI in the edge

Door de co-optimalisatie van enerzijds vermogen- en energie-efficiënte AI-processoren en anderzijds geavanceerde Machine Learning taken kunnen we de prestaties van AI verbeteren, een betrouwbare communicatie met lage responstijd realiseren, een energie-efficiënte verwerking van AI opzetten en de veiligheid van de gegevens waarborgen.

AI-systemen die energie-efficiënt zijn en performant lokaal werken.

Icoon voor AI in the edge

Voor veel AI-toepassingen worden momenteel krachtige, energieverslindende processoren gebruikt die zich in de cloud bevinden. Nochtans is het voor veel toepassingen niet mogelijk om de sensordata eerst naar de cloud te brengen om ze daar te verwerken, bijvoorbeeld omdat een lage responstijd nodig is. De oplossing? AI naar de sensoren brengen: edge computing. Dit wordt mogelijk gemaakt door de co-optimalisatie van enerzijds vermogen- en energie-efficiënte AI-processoren en anderzijds geavanceerde Machine Learning taken.

Dit toepassingsgerichte onderzoek stimuleert innovatie op het vlak van:

  • Gedistribueerde en hiërarchische AI-systemen
  • Geavanceerde signaalverwerking
  • Zelflerende algoritmes

Bovenstaande zaken laten het toe om meteen actie te ondernemen met lokaal verworven gegevens.

Structuur van de onderzoeksuitdaging

Visual van de structuur

Contactpersonen

Verschillende onderzoeksgroepen werken samen in dit onderzoeksdomein. Deze tabel geeft enkel de contactpersonen weer per werkpakket.

Rudy Lauwereins

Management team, imec

Axel Nackaerts

Management team & WP1 Lead: Use Cases, imec

Bart Dhoedt

WP2 Lead: Inter-device Algorithms, UGent - IDLab

Wilfried Philips

WP3 Lead: Intra-Device Algorithms, UGent - IPI

Peter Debacker

WP4 Lead: Software Tool Suites, Software to Hardware Mapping, imec

Marian Verhelst

WP5 Lead: Extreme Edge Hardware, KU Leuven - MICAS