English

FREEWAY – Automatisera asynkron federerad inlärning och edge computing för effektiv analys av fordonsdrift

FREEWAY-projektet syftar till att leverera nästa generations digitala tjänster för elektromobilitet genom att möjliggöra asynkron federerad inlärning (AFL). Detta sker för att hantera skalbarhetsutmaningar, särskilt för stora heterogena fordonsflottor. Samtidigt ska avancerad edge-bearbetning och MLOps integreras för att förbättra fordonens driftseffektivitet, säkerhet och tillgänglighet.

FREEWAY stödjer utvecklingen av avancerade digitala tjänster inom elektromobilitet och omfattar användningsfall. FREEWAY:s uppdrag är att förbättra, skala upp och utöka mjukvarukapaciteten på edgeenheter och back-end-system. Projektet kommer införliva ett MLOps-ramverk anpassat till asynkrona FL-scenarier, där robusta arbetsflöden etableras för datahämtning, versionshantering av modeller samt automatiserad testning, validering och implementering av modeller. Genom att demonstrera genomförbarheten och effektiviteten hos AFL i flera verkliga användningsfall kommer FREEWAY att visa hur federerad edge-intelligens kan ge betydande fördelar, både för intressenter inom elektromobilitet och för den bredare mobilitetssektorn.