Projekt · Dnr 2024-00299 · Källa: Vinnova

FeelAI-federerade prediktiva modeller på Edge för logistikbranschen

Koordinator
Högskolan i Halmstad
Projekttid
2024-05-01 till 2026-09-30 (beslutat)
Beviljat bidrag
2 500 000 SEK
Diarienummer
2024-00299

Beskrivning

FeelAI uppnådde flera av de ursprungliga målen, men projektet anpassades efter de industriella behoven. Arbetet visade att datakvalitet, etiketter, heterogenitet och reproducerbar utvärdering är avgörande före federerad och edge-baserad driftsättning. Projektet gav resultat inom aktivitetsigenkänning och bromsbeläggsprognostik samt metodutveckling inom federerad och förklarbar AI. Arbetet fortsätter i UNIFY-AI, KEEPER och AI Marie. På längre sikt förväntas FeelAI stärka partnernas förmåga att utveckla och införa robusta AI-lösningar i heterogena industriella miljöer. Projektet har skapat återanvändbara data-, utvärderings- och MLOps-strukturer samt kunskap om datakvalitet, generalisering och heterogenitet. Resultaten förs vidare i UNIFY-AI, KEEPER och AI Marie och väntas bidra till framtida industriell AI-utveckling och nya samarbeten.

Öppna hos Vinnova

Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.

Liknande

  1. Framtidens elnät skapade med federerad maskininlärning

    Lindholmen Science Park AB · 2024-11-11 · 328 240 SEK · Projekt

    Projektet har lyckats mycket väl att utveckla och utvärdera hur väl federerad maskininlärning som metod och ramverk är tillämpbart på elnätsdata. Det är första gången detta görs på verklig data från elmätare hos respektive elnätsbolag, inte bara i Sverige utan även internationellt. Genom att nyttja …

  2. TRUSTAM - Trusted Federated Intelligence for Additive Manufacturing

    INTERSPECTRAL AB · 2026-04-30 · 7 413 300 SEK · Projekt

    För att additiv tillverkning ska uppfylla sin potential inom säkerhetskritisk produktion måste kvalitetssäkring vara kalibrerad, integrerad och spårbar i realtid för känsliga produktionsmiljöer. TRUSTAM tillämpar federerat lärande för kvalitetssäkring inom additiv tillverkning – ett ramverk där AI-m…

  3. Säkra enklaver för federerad maskininlärning

    Scaleout Systems AB · 2021-05-03 · 1 966 373 SEK · Projekt

    Projektets mål har varit att utvärdera möjligheten att med så små insatser som möjligt från slutanvändaren möjliggöra integritetsbevarande maskininlärning på hårdvara som garanterar dataintegritet såväl som applikationens integritet, och därigenom möjliggöra samarbeten på klientnivå som annars inte …

  4. Hierarkisk federerad inlärning för 6G-kantberäkningar

    Uppsala universitet · 2024-10-15 · 1 784 674 SEK · Projekt

    Vi utvecklade ett flexibelt ramverk för att testa hierarkisk federerad inlärning (HFL) under olika enhets- och nätverksförhållanden. Vi tog fram resursanpassade tränings- och aggregeringsmetoder med frysning av lager och Switch-Before-Aggregate (SBA), som gav högre noggrannhet än de testade FL-metod…

  5. Validering av ett systemutvecklingskit för federerad maskininlärning för edgeapplikationer

    Scaleout Systems AB · 2023-10-02 · 4 918 474 SEK · Projekt

    Projektets primära syfte är att öka vår förståelse för skalbarhet och cybersäkerhet inom federerad maskininlärning specifikt för tillämpningar vi molnkanten. Vi kommer också att vidareutveckla och validera ett systemutvecklingskit för federerad maskninlärning, FEDn, för storskaliga tillämpningar ino…