Gestaltung eines ganzheitlichen, CO2-effizienten Systems für Fahrerassistenzsysteme.

KI-Anwendungen finden sich heutzutage in vielen Geräten des täglichen Lebens, wodurch der durchschnittliche Energieverbrauch eines Menschen stetig steigt. Aufgrund der Verknappung der Ressourcen wird es somit immer wichtiger, auch KI-Anwendungen ressourcensparend zu entwickeln. Allerdings ist dies insbesondere bei der Analyse von großen Datenmengen mit Sicherheitsrelevanz eine große Herausforderung. Das dafür häufig verwendete sogenannte Deep Learning hat aufgrund seiner Komplexität meist einen hohen Energieverbrauch und erzeugt somit einen großen ökologischen Fußabdruck. Um eben diesen nicht zu groß werden zu lassen, sind ressourceneffiziente KI-Anwendungen unbedingt notwendig. Exemplarisch betrachten wir in unserem Projekt Fahrassistenzsysteme, welche vermehrt in Fahrzeuge eingebaut werden, um die Sicherheit, den Komfort oder auch die Wirtschaftlichkeit des Fahrens zu verbessern.

Ziel des Projektes GreenAutoML4FAS ist es, ein ganzheitliches System aus Hardware, effizienter Kodierung und Übertragung von Daten und Modellen, sowie dynamischer und adaptiver Software mit AutoML ressourceneffizient zu gestalten. Exemplarisch wird hierbei der Fokus auf Fahrassistenzsysteme gelegt. Sollte die Kombination von effizienten Algorithmen, Kommunikation und Hardware in diesem Bereich zu einer deutlichen Einsparung von Energie führen, so ließe sich das im Projekt entwickelte ganzheitliche Konzept auch auf andere Bereiche übertragen, in denen KI bzw. Deep Learning zum Einsatz kommt.