Timeline
Paper über die Quantifizierung des Risikos von KI-Modellen wurde im „Upper-Rhine Artificial Intelligence Symposium UR-AI 2021“ angenommen
Ein Beitrag des HFU-Forschungsteams über maschinelle Lernverfahren (MLOps) wird veröffentlicht
Machine Learning Operations (MLOps) sind eine Reihe von Praktiken, die darauf abzielen, Machine Learning-Modelle erfolgreich und automatisiert in der Produktion einzusetzen und zu pflegen. Heutzutage sind Projekte des maschinellen Lernens für verschiedene reale Anwendungsfälle immer relevanter geworden. Der Erfolg dieser komplexen neuronalen Netzwerkmodelle hängt von vielen Faktoren ab. Um diese Schwierigkeit zu vereinfachen, wurde eine Forschungsarbeit mit dem Titel „Demystifying MLOps and Presenting a Recipe for the Selection of Open-Source Tools“ im „mdpi Applied Sciences Journal“ unter der Section Computing und Artificial Intelligence veröffentlicht. In dieser Arbeit wurden vor allem Machine Learning Operations (MLOps) Technologien und Werkzeuge für jeden Teil der gesamten Projektpipeline sowie die beteiligten Rollen untersucht und klar definiert.
Zweites Treffen zwischen den Hochschulen
Das zweite Treffen zwischen allen drei Hochschulen fand am 27. September 2021 statt. Bei diesem Treffen wurden alle laufenden Forschungsarbeiten der einzelnen Partner vorgestellt. Die Forschung der Hochschulen Karlsruhe und Offenburg geht in Richtung Risikoabschätzung in KI-Modellen, während die Hochschule Furtwangen an angewandtem maschinellen Lernen arbeitet.
Erstes Gesamttreffen 2021
Das erste Gesamttreffen für das Projekt QAMeLiA im Jahr 2021 fand am 10. Mai statt. An dem Treffen nahmen alle Projektpartner teil. Jeder Partner präsentierte den aktuellen Stand, was zu einem Wissensaustausch zwischen allen führte.
Paper akzeptiert in Twelfth International Conference on Cloud Computing, GRIDs, and Virtualization CLOUD COMPUTING 2021
Das rasante Wachstum im Bereich der KI-basierten Anwendungen, welche maschinelles Lernen (ML) nutzen, hat den Bedarf an leistungsstarker Hardeware stark ansteigen lassen. Es gibt eine ganze Reihe an Möglichkeiten Infrastrukturen für die ML-Entwicklung zu nutzen. Neben dem Aufbau einer eigenen GPU-basierten Infrastruktur Vorort, kann man auch Infrastrukturen in der Cloud, wie Amazon, Google, etc. nutzen. Eine Entscheidungshilfe für die Auswahl der richtigen Infrastruktur bieten sogenannte Benchmarks. Benchmarks geben Aufschluss darüber, welches der verglichenen Systeme für die jeweilige Promblem-Domäne am besten ist. Ein idealer Benchmark für die Beurteilung von ML-Infrastrukturen existiert jedoch nicht. Der Konferenzbeitrag „Comparison of Benchmarks for Machine Learning Cloud Infrastructures“ bei der Konferenz Cloud Computing 2021 vergleicht sieben prominente ML-Benchmarks, MLPerf, DAWNBench, DeepBench, DLBS, TBD, AIBench und ADABench. Im Dokument werden Unzulänglichkeiten der Benchmarks diskutiert und die erforderlichen Verbesserungen skizziert, damit allgemein Cloud-Plattformen wie Amazon, Azure, Google, Siemens usw. einem Benchmarking unterzogen werden können.
Kickoff-Meeting zwischen der Hochschule Furtwangen und der competition it-management GmbH
Am 22. Februar 2021 fand das Kickoff-Meeting zwischen der Hochschule Furtwangen und der competition it-management GmbH statt. Der Fokus des Meetings lag auf Benchmarking im Bereich Machine und Deep Learning. Es wurden einige verfügbare Benchmarks wie MLPerf und AIBench diskutiert.
Kickoff-meeting mit tepcon GmbH
Am 17. Februar 2021 fand das Kickoff-Meeting zwischen der Hochschule Furtwangen und der tepcon GmbH statt. Die Diskussion drehte sich um kontinuierliches Lernen und wie Modelle im Laufe der Zeit immer wieder aktualisiert werden können.
Treffen der Hochschulen
Das Treffen zwischen allen drei Hochschulen fand am 08. Februar 2021 statt. Im Rahmen des Treffens wurden Diskussionen geführt, in denen jede Hochschule einen Überblick über die Forschung in ihren Abteilungen für das Projekt gab.
Kickoff-meeting mit C.R.S. iiMotion GmbH
Am 20. Januar 2021 fand das Kickoff-Meeting zwischen der Hochschule Furtwangen und der C.R.S. iiMotion GmbH statt. Die Diskussion drehte sich um MLOps, ein aufstrebendes Feld des maschinellen Lernens, und die nächsten Schritte, die für das Projekt notwendig sind.
Konsortium aus Hochschulen und Industrie geht mit Kick-Off Meeting an den Start
Beim digitalen Kick-Off Meeting am 25. November 2020 nahm das neue Forschungsprojekt Q-AMeLiA (Quality Assurance of Machine Learning Applications) Fahrt auf. Es wird von einem Verbund aus drei Hochschulen und fünf kleinen und mittleren Unternehmen (KMUs) durchgeführt. Das Ministerium für Wissenschaft, Forschung und Kunst Baden-Württemberg fördert das Projekt über drei Jahre mit 600.000 Euro. Im Konsortium arbeiten die competition it-managment GmbH, Inferics GmbH, C.R.S. iiMotion GmbH, tepcon GmbH und schrempp edv GmbH sowie die Hochschulen Karlsruhe, Offenburg und Furtwangen zusammen. Die Konsortialleitung liegt bei Professor Dr. Christoph Reich von der Fakultät Informatik der Hochschule Furtwangen.