FeelAI-federerade prediktiva modeller på Edge för logistikbranschen
| Diarienummer | |
| Koordinator | Högskolan i Halmstad |
| Bidrag från Vinnova | 2 500 000 kronor |
| Projektets löptid | maj 2024 - september 2026 |
| Status | Pågående |
| Utlysning | Avancerad digitalisering - Möjliggörande tekniker |
| Ansökningsomgång | Avancerad och innovativ digitalisering 2024 - första utlysning |
Viktiga resultat som projektet gav
FeelAI uppnådde flera av de ursprungliga målen, men projektet anpassades efter de industriella behoven. Arbetet visade att datakvalitet, etiketter, heterogenitet och reproducerbar utvärdering är avgörande före federerad och edge-baserad driftsättning. Projektet gav resultat inom aktivitetsigenkänning och bromsbeläggsprognostik samt metodutveckling inom federerad och förklarbar AI. Arbetet fortsätter i UNIFY-AI, KEEPER och AI Marie.
Långsiktiga effekter som förväntas
På längre sikt förväntas FeelAI stärka partnernas förmåga att utveckla och införa robusta AI-lösningar i heterogena industriella miljöer. Projektet har skapat återanvändbara data-, utvärderings- och MLOps-strukturer samt kunskap om datakvalitet, generalisering och heterogenitet. Resultaten förs vidare i UNIFY-AI, KEEPER och AI Marie och väntas bidra till framtida industriell AI-utveckling och nya samarbeten.
Upplägg och genomförande
Projektet genomfördes i nära samarbete mellan Halmstad University, Volvo Group och Toyota Material Handling Europe, med regelbundna möten, tekniska workshops och gemensam analys. Arbetet följde i huvudsak planen men anpassades när datakvalitet, brist på tillförlitliga etiketter och heterogenitet visade sig kräva större insatser än väntat. Dessa aktiviteter var avgörande för resultaten och samarbetet mellan parterna fungerade väl.