FeelAI-federerade prediktiva modeller på Edge för logistikbranschen

Syfte och mål

Detta projekt syftar till att ge fördelarna med Federated Learning (FL) till två viktiga svenska industriföretag: Volvo Group Trucks Technology (VGTT) och Toyota Material Handling Europe (TMHE), förutseende underhållsuppgifter. FL-fördelarna inkluderar att minska mängden data som behöver samlas in på ett ställe och överföras och bevara integriteten. Det finns dock specifika utmaningar som vi försöker ta itu med i detta projekt: dataheterogenitet bland klienter, varierande nivåer av tillgänglig data mellan olika klienter och behovet av att förklara resultaten.

Förväntade effekter och resultat

Framväxten av ML för att ta itu med verkliga frågor är uppenbar, och Sverige har börjat använda det för att främja digitala lösningar. Vanligtvis innebär det initiala tillvägagångssättet att samla in data centralt för att bygga ML-modeller, vilket är dyrt och tidskrävande. Detta projekt strävar efter att gå längre än detta genom att utnyttja edge computing och använda federerade modeller. Detta tillvägagångssätt eliminerar behovet av centraliserad datainsamling, och förbättrar datasekretess och säkerhet, vilket är avgörande för att främja digitaliseringen i branschen.

Planerat upplägg och genomförande

FeelAI-projektet omfattar fyra arbetspaket. WP1 täcker hela projektets varaktighet och inkluderar ledning och kunskapsdelningsaktiviteter. WP2 fokuserar främst på att etablera tillgång till data på kanterna. Dessutom, endast för forskning och experiment, strävar vi efter att samla in data från ett antal kanter. WP3 utgör den centrala vetenskapliga komponenten, som involverar design och implementering av FL-algoritmer samtidigt som de tar itu med tillhörande utmaningar som presenterats ovan. WP4 sysslar med praktisk driftsättning och presentation av projektresultatet.