Machine Learning / AI

Machine Learning, also maschinelles Lernen, ist eine Möglichkeit, unsere Maschinen intelligenter zu machen. Dabei lernt ein System anhand von Beispielen, wie eine bestimmte Aufgabe (beispielsweise Klassifizierung oder Erkennen von Objekten, Erkennen von Anomalien in Sensordaten, Prognose von Zusammenhängen oder Worten, etc.) zu lösen ist. Nach dem Training kann dieses Wissen, welches nun im Modell gespeichert ist, auch auf bisher unbekannte Eingangsdaten angewendet werden. Mit Hilfe von maschinellem Lernen lassen sich insbesondere Probleme lösen, für welche eine handgestrikte, algorithmische Lösung zu schwierig zu finden oder zu komplex zu implementieren wäre.In den letzten Jahren haben insbesondere “tiefe” neuronale Netzwerke, welche eine mehrschichtige innere Struktur aufweisen, enorme Fortschritte erzielt. Die Verfügbarkeit von bislang unerreichter Rechenleistung (in Form von GPUs und Cloud Computing) sowie riesiger Datensätze (Big Data, z.B. Flickr, ImageNet, Twitter, Kaggle) erlaubt das Training von immer komplexeren und tieferen neuronalen Netzwerken. Die weltweite Zuammenarbeit von Forschenden im Gebiet des Deep Learning führte in kürzester Zeit zu neuen Netzwerk-Architekturen, Anwendungsgebieten und Möglichkeiten.

  • Convolutional Neural Networks (CNNs) eignen sich besonders für Bild- und Videoverarbeitung und damit für Aufgaben wie die Klassifikation von Objekten, die Detektion von Verkehrsteilnehmern und Signalisation, die Segmentation von medizinischen Scans, etc.
  • Recurrent Neural Networks (RNNs) enthalten Rückkopplungen (zum Beispiel in Form von LSTM) und können damit früheren Kontext miteinbeziehen. Sie werden insbesondere in der Sprachverarbeitung (Natural Language Processing, insbesondere Textverständnis, Übersetzung und Sprachsynthese) sowie für die Verarbeitung von Sequenzen, Zeitreihen, Sensordaten, etc. eingesetzt.

Werden beim Training eines neuronalen Netzwerks anstelle eines vollständigen Trainingsdatensatzes lediglich Belohnungs- oder Bestrafungspunkte verteilt, spricht man von Reinforcement Learning anstelle von Supervised Learning. Mit diesem Ansatz können beispielsweise Computer lernen, Brett- und Videospiele zu meistern, neue Medikamente zu finden oder Ampeln optimal zu steuern, und Roboter lernen auf zwei Beinen zu gehen und zu jonglieren.

Für einfachere Probleme, beispielsweise im Bereich Sensorik oder Maschinenüberwachung, können hingegen auch klassische Algorithmen wie Regressionen, Entscheidungsbäume, Random Forests, Support Vector Machines, Clustering oder Principal Component Analysis eingesetzt werden.

SCS berät und unterstützt Kunden beim Einsatz von Machine Learning und künstlicher Intelligenz in allen Aspekten:

  • Innovations-Workshop und Machbarkeitsstudie
  • System- und Netzwerk-Design
  • Big Data Management
  • Labeling (Tools, Durchführung, Validierung)
  • Training
    • unsupervised, supervised, semi-supervised, reinforcement
    • on-device, on-premise, auf SCS-eigenem Server, cloud-basiert
  • Netzwerk-Optimierung (Analyse, Pruning/Kompression, Optimierung für Zielplattform)
  • Industrialisierung (Deployment, Lifecycle Management, Data Warehouse, Tracing)
    • AI at the Edge, eingebettete neuronale Netzwerke
  • Validierung und Zertifizierung (Medical, ADAS)

Durch die multidisziplinäre Position von SCS können wir auf vertiefte praktische Erfahrungen in all diesen Bereichen zurückgreifen – das System-Design betreffend wie auch bezüglich der Umsetzung auf dedizierter Hardware oder unter Verwendung von Standardkomponenten. Projekte in den folgenden Bereichen zählen zu unserem Erfahrungsschatz:

Industrie

  • Detektion, Klassifikation und Tracking von Objekten in Punktwolken, 2D- und 3D-Bildern sowie Videosequenzen
  • Rekonstruktion von 3D-Räumen aus 2D-Aufnahmen mittels Deep Reinforcement Learning
  • Anomalie-Detektion in Zeitreihen-Daten aus der Maschinen- und Steuerungsüberwachung
  • Personendetektion und -zählung in Videosequenzen
  • Pose estimation, Klassifikation und Segmentation anhand von IMU- und Videosequenzen

Medizin

  • Detektion von Fehlstellungen in Ultraschall-Aufnahmen
  • Segmentation von volumetrischen medizinischen Bilddaten (Optical Tomography)
  • Prognose von Vitalparametern anhand medizinischer Sensordaten
  • Massgeschneiderte Labeling-Tools für Detektion und Segmentierung auf medizinischen Bildern

AI at the Edge

  • Implementation eines FPGA-basierten Beschleunigers für neuronale Netzwerke
  • Entwicklung eines Compilers für neuronale Netzwerke für ein ultra-low-power SoC mit dediziertem CNN-Beschleuniger
  • Optimierung von neuronalen Netzwerken auf CPUs, GPUs, FPGAs sowie dedizierter Hardware
  • Detektion und Klassifikation von Fahrzeugen, Fahrspuren und Signalisation in 2D- und Stereo-3D-Bildern
  • Detektion und Identifikation von Tieren auf Infrarot-Aufnahmen

 

Der Zusammenhang zwischen Deep Learning, neuronalen Netzwerken, Machine Learning und Artificial Intelligence.

Machine Learning / AI – Blogs

  • Individuelle Blutanalyse dank Industrie 4.0 Konzepten kostengünstig Individuelle Blutanalyse dank Industrie 4.0 Konzepten kostengünstigDie Hamburger GLP Systems GmbH ist ein innovativer Spezialist im Bereich Informations- und Automationssysteme für klinische Laboratorien. GLP Systems hat mit einem neuen Ansatz die Probenförderung revolutioniert: Einer Carrera Bahn gleich werden Probegefässe einzeln mit intelligenten CARs auf einfachen Fahrspuren durch die Labor- und Kühlräume transportiert. Weltweit sind bereits eine Vielzahl solcher Systeme im Einsatz, ...
  • smart grid solutions AG: Gridbox Technologie wird kommerzialisiert smart grid solutions AG: Gridbox Technologie wird kommerzialisiertNach einem sehr erfolgreichen Forschungs- und Demonstrationsprojekt wird die GridBox Technologie im Rahmen eines Projekt-Spinoffs kommerzialisiert. Die smart grid solutions AG (Webseite) mit Martin von Euw als Geschäftsführer wird die Technologie zur Marktreife bringen. Supercomputing Systems AG ist Technologiepartner der neuen Firma. Lesen Sie dazu die Pressemitteilung: Zürich, 27. September 2016 Gründung der smart grid solutions AG: SpinOff des ...
  • Projekt GridBox: Erfolgreicher Projektabschluss Projekt GridBox: Erfolgreicher ProjektabschlussGemeinsam mit den Partnern BKW, ewz und Bacher Energie AG, sowie mitfinanziert vom Bundesamt für Energie hat die Firma SCS AG das Projekt „GridBox – Echtzeit-Management-Plattform für das Verteilnetz“ erfolgreich durchgeführt und per Ende März 2016 die geplanten Mess- und Demonstrationskampagnen beendet. Das Projekt umfasst die praktische Umsetzung und Erprobung des Konzeptes „GridBox“ und beinhaltet ...
  • Projekt GridBox: Das umfassende Smart Grid Konzept Projekt GridBox: Das umfassende Smart Grid KonzeptIn Zusammenarbeit mit den Partnern BKW, ewz und BEAG entwickelt SCS AG die Smart Grid Plattform GridBox, welche die elektrischen Verteilnetze für die Zukunft fit machen wird: Die elektrische Energieversorgung ist in einem starken Wandel begriffen. Einerseits gibt es Bestrebungen, die bisher auf zentralen grossen Kraftwerken basierende Energieversorgung zu dezentralisieren, wobei viele kleine Erzeuger wie Photovoltaikanlagen, ...

Supercomputing Systems AG  •  Technoparkstrasse 1  •  CH-8005 Zürich  •  Phone +41 43 456 16 00  •  Fax +41 43 456 16 10  •  info@scs.ch  •  Impressum  •  Datenschutzerklärung