Ausgangssituation/Motivation
Gegenwärtig ist der Gebäudebestand in der EU nach wie vor energieintensiv und überwiegend ineffizient; er ist für 40 % des Endenergieverbrauchs und 36 % der CO2-Emissionen verantwortlich. Um den Anteil erneuerbarer Energie zu erhöhen und den Energieverbrauch zu reduzieren, müssen zukünftige Systeme ein hohes Maß an Flexibilität und Effizienz aufweisen. Innovative Energy Services bauen auf einer bidirektionalen Echtzeitinteraktion mit realen Gebäuden auf.
Für die Erzeugung, Bereitstellung und Auswertung dieser großen Datenmengen werden innovative Lösungen benötigt; Internet of Things (IoT) Technologien sind das Rückgrat und ein Enabler dieser intelligenten Systeme. Die derzeitige IoT-Implementierung hängt fast ausschließlich von der Cloud-Infrastruktur und Cloud-basierten Diensten ab. Cloud-basierte Dienste weisen aber auch schwerwiegende Nachteile im Bereich Zuverlässigkeit, Vertrauenswürdigkeit, oder Sicherheit und Datenschutz, auf.
Inhalte und Zielsetzungen
Edge Computing ist eine alternative IoT-Implementierung und bezieht sich darauf, dass Berechnungen am Rande (Edge) von Netzwerken stattfinden; der "Rand" ist der Ort, an dem Endgeräte auf den Rest des Netzwerks zugreifen. Um das ganze Potential von Edge-Computing für intelligente Gebäude zu nutzen, muss jedoch AI an den Rand von Netzwerken gebracht werden. Ziel von OctoAI ist die Entwicklung von Edge-Ready AI-Modellen für intelligente Gebäude.
Methodische Vorgehensweise
Zunächst definieren wir eine Reihe von qualitativen Zielen, indem wir den Kompromiss zwischen der Komplexität eines Modells, seiner Leistung und seinen nicht-funktionalen Eigenschaften (z. B. Latenz und Speicherverbrauch) untersuchen. Zentral ist, dass wir unseren Fortschritt messen können, indem wir eine Reihe von Leistungsszenarien definieren. In jedem Szenario legen wir ein Leistungsziel für eine Zielanwendung auf einem Zielgerät fest.
Methodisch liegt der Schwerpunkt von OctoAI auf:
Scalable AI on the Edge. Ressourcenbeschränkte Edge-Geräte stellen nicht die für den Einsatz von State-of-the-Art Deep Neural Networks (DNNs) erforderlichen Ressourcen bereit. Folglich sind DNNs mit einer spezifischen, an Edge-Geräte angepassten Topologie erforderlich.
Transfer Learning on the Edge. Transfer Learning bezeichnet die Wiederverwendung einer Knowledge Base, die in Form eines AI-Modells erfasst wurde, für Anwendungen, die über den ursprüngliche Anwendungsfall hinaus gehen.
Erwartete Ergebnisse
Ergebnisse des Projektes OctoAI sind:
- offene Algorithmen und Tools zur Erstellung von Edge-Ready AI-Modellen für intelligente Gebäude und
- eine Roadmap für Edge Computing im Bereich intelligenter Gebäude.
Projektlaufzeit
06/2022 – 05/2024
Projektleitung
TU Graz - Institut für Softwaretechnologie
Projekt- bzw. Kooperationspartner:innen
Kontaktadresse
TU Graz
Institut für Softwaretechnologie
Gerald Schweiger
Inffeldgasse 16b
A-8010 Graz
E-Mail: gerald.schweiger@tugraz.at
Web: www.tugraz.at/institute/ist/institute/
