KI-Services: NASE –Neural Architecture Search Engine

Wir benötigen

• einen gelabelten Datensatz
• Ihre Anforderungen an Genauigkeit, Geschwindigkeit der Klassifikation, Speicherverbrauch etc.

Sie erhalten

• pareto-optimale Netzwerke bezüglich mehrerer gewünschter Kriterien wie Erkennungsrate, Fehlalarmrate, Geschwindigkeit, Anzahl der Parameter, Speicherverbrauch, Anzahl der Schichten etc.
  
• eine optimale Nutzung der Rechenresourcen auf Ihrer Zielplatform. Dafür nutzen wir Methoden wie Quantisierung, Pruning und weitere
• individuelle Beratung und Integrationsunterstützung
  

Unser gemeinsamer Arbeitsprozess in drei Schritten

1. Um sicherzustellen, dass wir zufriedenstellende Ergebnisse liefern können, stecken wir mit Ihnen zunächst in einem Briefing-Meeting die Ziele genau ab und besprechen den verfügbaren Datensatz.
2. Wenn wir zu dem Schluss kommen, dass wir liefern können, beginnen wir in Schritt zwei mit dem Suchprozess. Gemeinsam diskutieren wir anschließend die verschiedenen Ergebnisse. 
3. Im letzten Schritt unterstützen wir Sie bei der Integration des neuronalen Netzes.
   

Best Practice in der Anwendung:
Optimierung der neuronalen Architektur für die EKG-Datenanalyse auf eingebetteten Plattformen

Zur Erkennung von Vorhofflimmern in 2-Kanal-EKG-Daten entwickelten wir manuell eine Netzwerktopologie mit 72K-Parametern, welche die Kriterien von >90 Prozent Detektionsrate und <20 Prozent Fehlalarmrate einhält. Mit dem Ziel, auf eingebetteten Geräten zu laufen, war der geringste Speicherverbrauch und die geringste Rechenleistung gefragt. Dies schlägt sich direkt in einem geringeren Energieverbrauch und damit in einer längeren Batterielebensdauer nieder. Mithilfe des Fraunhofer-Frameworks zur automatisierten Topologiesuche reduzierten wir die Anzahl der Parameter innerhalb unserer Designziele auf etwa 6K-Parameter – eine 12-fache Reduzierung.