Federated Fleet Learning - System topology

Syfte och mål

Vi behöver ett nytt paradigm för träning av AI; ett som gör det möjligt att samarbeta globalt kring data, samtidigt som det löser dagens problemen kring datasäkerhet, datasekretess och dataöverföring. Med edge learning tränar fordon AI modeller ombord med sin egen datorkraft på lokalt insamlad data. Detta eliminerar behovet av dataöverföring till en central lagrings- och beräkningsinfrastruktur. Lokala modellförbättringar kan istället överföras till en central infrastruktur, eller direkt utbytas med andra fordon, för att sammanföras till en global modell med hög prestanda.

Förväntade effekter och resultat

* Snabbare utveckling av tillämpad AI som resulterar i färre olyckor i trafik. * Säkrare hantering av personlig data som möjliggör ohämmad teknikutveckling utan att inskränka på integritet. * Effektivare system sparar både energi och pengar. * En generisk arkitektur som kan anpassas till andra industrier utöver bilindustrin.

Planerat upplägg och genomförande

Projektet följer ett agilt ramverk och delas upp i mindre delmål. Mindre arbetspaket förfinas och utvärderas kontinuerligt genom återkommande möten tillsammans med projektledare och styrgrupp.