Suchen

Fraunhofer IAIS

Machine Learning "on the edge" macht autonomes Fahren sicherer

| Redakteur: Jürgen Schreier

Machine Learning spielt eine wichtige Rolle beim autonomen Fahren. Beim klassischen maschinellen Lernen findet das Training der neuronalen Netze vorwiegend in der Cloud statt, wobei ein ständiger Upload neuer Daten erforderlich ist. Geht das nicht auch anders?

Firma zum Thema

Beim Machine Learning on the edge werden anstelle der Rohdaten nur die trainierten Modelle ausgetauscht. Die Speicherung der Daten erfolgt lokal. Das erhöht die Sicherheit beim hochautomatisierten Fahren auch im Falle geringerer Bandbreiten.
Beim Machine Learning on the edge werden anstelle der Rohdaten nur die trainierten Modelle ausgetauscht. Die Speicherung der Daten erfolgt lokal. Das erhöht die Sicherheit beim hochautomatisierten Fahren auch im Falle geringerer Bandbreiten.
( Bild: gemeinfrei / Pixabay )

Der permanente Upload neuer Daten, mit denen die neuronale Netz lernen kann, birgt Probleme und Gefahren, doch es gibt eine Alternative. Im Fall des sogenannten "learning on the edge" werden anstelle der Rohdaten nur die Modelle ausgetauscht. Die Daten bleiben auf dem Gerät. Auf Basis gemeinsamer wissenschaftlicher Arbeiten mit Forschern des Volkswagen-Konzerns hat ein Team des Fraunhofer-Instituts für Intelligente Analyse- und Informationssysteme IAIS das Whitepaper "Machine Learning on the edge" veröffentlicht. Es gibt einen Überblick über das Prinzip des verteilten maschinellen Lernens, das insbesondere für das autonome Fahren viele Vorteile bietet.

Die zentrale Idee ist dabei, anstelle von Rohdaten nur die trainierten Modelle auszutauschen. Im Vergleich zum klassischen Lernen in der Cloud ist dieses Verfahren nicht nur schneller, weil es auch bei geringeren Bandbreiten bestehen kann, sondern bietet in puncto Datenschutz wichtige Vorteile.

Hochautomatisierte Fahrzeuge erkennen Verkehrsschilder, halten Abstand zu anderen Fahrzeugen, bremsen vor Hindernissen rechtzeitig und finden ihren Weg zum Ziel ohne viel menschliches Zutun. Insbesondere mit Deep Learning – einer Form des maschinellen Lernens, die mit tiefen neuronalen Netzen arbeitet – erzielt die Forschung zurzeit vielversprechende Fortschritte.

Statt Rohdaten werden nur die Modelle ausgetauscht

Beim klassischen maschinellen Lernen findet das Training der neuronalen Netze vorwiegend in der Cloud statt. Auf einer zentralen Big-Data-Plattform werden historische Daten fortlaufend durch neue Datensätze ergänzt, die beispielsweise über die manuelle Nutzereingabe oder intelligente Sensortechnik gewonnen werden. Damit das künstliche neuronale Netz kontinuierlich lernen kann, ist der Upload von immer neuen Daten nötig.

Dieses Paradigma ist jedoch in zahlreichen Anwendungen weder technisch wünschenswert noch rechtlich möglich: So spielt im Automotive-Umfeld der Datenschutz eine besondere Rolle und stellt einen gewichtigen Grund dar, um Kundendaten nicht an eine zentrale Plattform in der Cloud zu übermitteln und dort zu speichern. Hinzu kommen technische Hindernisse wie geringe Bandbreiten, hohe Kommunikationskosten, Gefahren des Datenabgriffs durch Cyberattacken sowie die Notwendigkeit kurzer Reaktionszeiten.

Um diesen Herausforderungen zu begegnen, wird beim Verfahren des verteilten maschinellen Lernens ein neuer Ansatz verfolgt: Die zentrale Idee des sogenannten "learning on the edge" ist es, anstelle der Rohdaten nur die Modelle auszutauschen – Informationen über den Nutzer bleiben also auf dem Gerät und werden nur lokal gespeichert. Der Aufwand für den Austausch von Modellen ist im Vergleich zum Austausch von Rohdaten deutlich geringer.

Neue Rohdaten werden vor Ort verarbeitet

Neue Rohdaten werden direkt vor Ort und ohne Verzögerung verarbeitet, wodurch lange Übertragungszeiten vermieden werden können. Im biomedizinischen Bereich wird dieser Ansatz bereits genutzt, zum Beispiel um für verschiedene Kliniken ein gemeinsames Modell zur Tumorerkennung zu lernen. Die sensiblen Patientendaten verlassen die jeweilige Klinik nicht. Die Gegebenheiten solcher Realeinsätze besser zu berücksichtigen und die Datenschutzfreundlichkeit des Ansatzes weiter zu erhöhen sind Schwerpunkte der aktuellen Forschungstätigkeiten im Bereich des verteilten Lernens.

Im Falle des autonomen Fahrens entsprechen die Endgeräte den Fahrzeugen einer Flotte, weshalb auch von Flottenlernen (englisch "fleet learning") gesprochen wird. Forscherinnen und Forscher des Fraunhofer IAIS und des Volkswagen-Konzerns haben gemeinsam untersucht, wie die zentralen Herausforderungen des Flottenlernens bewältigt werden können, und auf der European Conference on Machine Learning (ECML) 2018 in Dublin die Ergebnisse vorgestellt (Paper "Efficient Decentralized Deep Learning by Dynamic Model Averaging"). Wie verteiltes Lernen funktioniert, welche Herausforderungen dabei bestehen und welche Fortschritte bereits erzielt wurden, ist im vorliegenden Whitepaper in Kürze zusammengefasst.

Dieser Beitrag ist ursprünglich auf unserem Partnerportal Bandbreite erschienen.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45914748)