Forskning gör AI kompatibel med smart teknik
Smart teknik som vi använder i vardagen blir allt smartare och kräver mer och mer från hårdvaran. Hur kan vi se till att smarta prylar är kompatibla med den artificiella intelligens som krävs för att de ska fungera, utan att behöva öka hårdvarukapaciteten? Det har Nesma Rezk, teknologie doktor i datateknik, undersökt i sin doktorsavhandling.
”Genom att möjliggöra användningen av djupinlärningsapplikationer på inbäddade plattformar och göra tillämpningen effektiv, snabb och robust, kan vi integrera AI överallt i vardagen.”
Nesma Rezk, teknologie doktor i datateknik
Nesma Rezks doktorsavhandling handlar om att implementera djupinlärningsapplikationer på inbyggda system, det vill säga alla slags datorsystem med en specialfunktion, såsom en smart klocka eller en självkörande bil. Djupinlärning är en typ av teknik inom artificiell intelligens (AI) som ”lär datorer att lära sig” medan de arbetar. Denna teknik gör det möjligt för exempelvis en förarlös bil att känna igen olika trafikskyltar, och tekniken hittas i allt från smart teknik för hemmet till sjukhusutrustning.
– Tekniken väcker frågan om hur man kan använda applikationerna, garantera deras effektivitet, och hantera den tekniska utvecklingen när det gäller algoritmer för djupinlärning, som hela tiden blir mer intelligenta, säger Nesma Rezk.
Om Nesma Rezk
Nesma Rezk föddes i Kairo i Egypten. Hon tog både sin kandidat- och masterexamen vid ingenjörsfakulteten vid Ain Shams universitet år 2010 respektive 2015.
År 2016 kom hon till Högskolan i Halmstad för forskarstudier. Under den första tiden samarbetade Nesma Rezk med forskare från Amritauniversitetet i Indien, och senare med en forskningsgrupp vid KTH.
Nesma Rezk är teknologie doktor i datateknik. I framtiden hoppas hon kunna fortsätta att jobba inom högre utbildning, framför allt med undervisning.
Nesma Rezk. Bild: Helena Bengtsson
Möjliggör AI i vardagen
Även om det finns avancerade hårdvaruplattformar med kraftfull prestanda innebär djupinlärningsmodellernas höga krav på hårdvarans data- och minnesresurser en utmaning – och om hårdvaran och modellerna inte är tillräckligt kompatibla kan detta begränsa applikationernas effektivitet.
Nesma Rezk förvånades av att det i många fall var möjligt att komprimera djupinlärningsmodellen till mindre än en fjärdedel av den ursprungliga storleken och ändå få modellen att fungera korrekt.
– Djupinlärningsapplikationer bör inte sättas i drift direkt i inbäddade system. Ett första steg som kallas algoritmisk optimering bör tillämpas först. Algoritmisk optimering är en metod som minskar kraven från djupinlärningsapplikationer och gör det möjligt att köra dem på resursbegränsade plattformar samtidigt som de fungerar som de ska.
Nesma Rezk tror att hennes forskning kan bli en del av länken mellan djupinlärning och människors vardag.
– Genom att möjliggöra användningen av djupinlärningsapplikationer på inbäddade plattformar och göra tillämpningen effektiv, snabb och robust, kan vi integrera AI överallt i vardagen, säger hon.
Text: Emma Swahn
Toppbild: Pixabay
Mer information
Om disputationen
Disputationen ägde rum den 15 december 2022 vid Högskolan i Halmstad.
Avhandlingens titel: Deep Learning on the Edge: A Flexible Multi-Level Optimization Approach
Länk till annan webbplats.
- Opponent: Antonio Carlos Schneider Beck, professor, The Federal University of Rio Grande do Sul (UFRGS), Rio Grande do Sul, Brasilien
- Handledare: Magnus Jonsson, professor, och Mahdi Fazeli, universitetslektor, båda från Högskolan i Halmstad
