Evaluation von Methoden zur Unsicherheitsabschätzung künstlicher Intelligenz und Konzeption der HW-Integration

Umfeld

Künstliche Intelligenz und neuronale Netze spielen In den letzten Jahren eine immer größere Rolle, insbesondere in der Bildverarbeitung. Dadurch werden hochkomplexe Anwendungen wie Computer Vision im autonomen Fahren ermöglicht. Je genauer diese Modelle allerdings werden, umso größer wird auch der Rechenaufwand. Da normale Computer dafür nicht mehr ausreichen, wird an speziellen Hardwarebeschleunigern geforscht, die auch eingebettet in mobile Systeme die anspruchsvollen Echtzeitanforderungen erfüllen.

Am ITIV wird dazu insbesondere an der Absicherung, sowohl der Algorithmen, aber vor allem an den zugrundeliegenden, neuen Hardwarearchitekturen geforscht. Das Thema soll auch im Rahmen dieser Arbeit betrachtet werden.

Aufgabe

Konkret sollen in der Arbeit Methoden zur Unsicherheit/Risikoabschätzung der KI-Algorithmen untersucht werden. Dabei kann es sich beispielsweise um sogenannte Monte-Carlo Methoden handeln, welche eine Aussage darüber geben können ob Bilddaten den Trainingsdaten ähnlich sind oder nicht. Ziel wäre die Unterstützung solcher Algorithmen durch Erweiterungen spezieller KI-Hardwarebeschleuniger. Dabei kann die Arbeit in die folgenden Teilschritte gegliedert werden:

• Einarbeitung in das Aufgabenumfeld, neuronale Netze und KI-Algorithmen
• Untersuchung und Evaluation verschiedener Algorithmen zur Unsicherheitsabschätzung für KI
• Entwicklung eines Konzepts zur Integration der Algorithmen in moderne KI-Hardwarebeschleuniger-Architekturen
• Test und Evaluation des Verfahrens

Voraussetzungen

• Interesse an: Machine Learning und dem Verständnis auf einer tiefen Ebene
• Kenntnisse in Python, C/C++ werden vorausgesetzt, Vorkenntnisse in genereller Softwareentwicklung und Machine Learning sind von Vorteil