Sprache:
Englisch

Zielgruppe:
KI-Entwickler, Security Engineers, Systemarchitekten

Voraussetzungen:
Grundlagenwissen KI, mobile & eingebette Systeme, Trusted Computing

Überblick und Zusammenfassungen:
Methoden der Künstlichen Intelligenz (KI), wie Machine Learning (ML), kommen bereits in einer Vielzahl stetig wachsender heterogener mobiler und eingebetteter Plattformen zum Einsatz. Dort werden sie z.B. in intelligenten Assistenzprogrammen aber auch für biometrische Verifikationsverfahren oder zur Anomaliedetektion verwendet. Aufgrund ihrer Heterogenität ist es schwierig, solche Plattformen gegen Cyberangriffe zu schützen und die Manipulation der ML/DL-Modelle zu verhindern. Dies kann, z.B. im Bereich des autonomen Fahrens lebensgefährliche Folgen haben. Aber auch in weniger kritischen Umgebungen, wie z.B. auf Smartphones, kann ein gezielter Angriff auf KI-Systeme weitreichende Folgen haben. So kann z.B. durch gezielte Manipulation des Inputs die biometrische Gesichtserkennung des Authentifizierungsverfahrens umgangen werden, oder aber aus einem lokal gespeicherten KI-Modell zur Kreditkartenerkennung die zum Training verwendeten Kreditkartennummern extrahiert werden.

Das BMWi-geförderte Projekt SENSIBLE-KI erforscht neue innovative Ansätze, die dazu dienen sollen, solche Angriffe auf die KI-Systeme im mobilen und eingebetteten Kontext zu erschweren bzw. komplett zu verhindern. Hierfür werden bewährte Mechanismen des Trusted Computings (TC) eingesetzt und mithilfe wissenschaftlicher Methoden die Hypothese, dass derartige Technologien effektiven und zuverlässigen Schutz in den beschriebenen Angriffsszenarien bieten, untersucht. Insbesondere müssen dafür die klassischen Sicherheitsziele sichergestellt werden. Zusätzlich zu diesen hardwareseitigen TC-Methoden werden auch Softwaremethoden zur Überwachung und Integritätserhaltung erforscht und entwickelt. Zur Evaluation der Effektivität und Effizienz des entwickelten Ansatzes werden zwei unterschiedliche Prototypen aus den Bereichen Smart Living und Biometrie entwickelt, die einerseits praktische Beispiele darstellen, wie die im Projekt erarbeiteten Referenzarchitekturen und Best-Practices implementiert werden müssen und andererseits dazu dienen, die Einhaltung der Sicherheitsziele praktisch evaluieren zu können.

Im geplanten Vortrag geben wir interessierten Zuhörern einen Überblick über die Vorhaben im Projekt, sowie einen ersten Einblick in Ergebnisse und aktuell diskutierte Forschungsfragen.

Art der Vermittlung:
Präsentation von Forschungsthemen, Projektbeispiele

Nutzen:
Der Vortrag ermöglicht es Dritten, wie z.B. KMUs, ihr Wissen in diesem Bereich zu stärken, eigene Lösungen umzusetzen und sich von den großen Tech-Firmen, wie Google, Facebook und Amazon unabhängig zu machen. Gleichzeitig führt dies zu einem Mehrgewinn an Sicherheit und Privatsphäre für Nutzerinnen und Nutzer, sowie zur Stärkung des Digitalstandortes Deutschland.

Sprache:
English

Zielgruppe:
Embedded system engineers

Voraussetzungen:
Knowledge computer scientists or engineers possess

Überblick und Zusammenfassungen:
This presentation focuses on the possibilities to use machine learning (ML) and cost-effective IoT devices such as Raspberry-Pi for human activity recognition (HAR) applications. There may be numerous possibilities to use the edge devices for HAR solutions, such as in the health care sector and smart home applications.
The research work illustrates how to use WiFi’s Channel State Information (CSI) data extracted with the open-source Nexmon tool for ML algorithms to obtain CSI data classifications for human activities. Very good results are achieved with SVM (Support Vector Machines) and LSTM (Long Short-Term Memory) for classification of four different activity scenarios of one person
- sit,
- stand,
- walk, and
- empty room
with an accuracy between 96% and 99.70%.
We introduce methods to eliminate the data uncertainties, unpredictive spikes, outliers in the collected CSI data, and wavelet smoothing measures. These methods considerably influence the process of ML positively, e.g.
1. CSI time-series pre-conditioning: Applying theoretical knowledge of WiFi standards and experimental data wavelet interpretation techniques helps eradicate the unuseful data points.
2. Explanation of methods for data denoising and smoothening: The random variation in wavelet magnitude as an effect of carrier frequency offset, system non-linearity, adaptive loading, and automatic gain control, which may influences data acquisition, ML, and classification considerably.
3. Lessons learned and data selection process: Manual feature selection or automated decision points? Trade-off between computational efforts and quality prediction. A few most common questions among data scientists, based on our research work, we would like to share our experiences as presentation closing tips.

Art der Vermittlung:
Talk

Nutzen:
The audience benefits from these research experiences, lessons learned, and the root causes analysis of the problems. Several challenges and working solutions are presented. Whenever similar challenges with data occur in an ML project, the audience might successfully apply the approaches shown here.

Sprache:
English

Zielgruppe:
Embedded engineers and managers

Voraussetzungen:
Basic understanding of machine learning

Überblick und Zusammenfassungen:
Developing a machine learning application on an embedded target is a much different exercise than running a neural network benchmark on a PC or other type of resource unconstrained platform. Considerations include performance and memory constraints, bandwidth limitations when running multiple models on each frame, host system loading, and proper quantization techniques to avoid accuracy degradation. This presentation will approach these considerations from a real-world perspective to help the attendee transition their vision-based AI models to an Edge platform.

Art der Vermittlung:
Presentation will be delivered as a method explanation and also provide a practical demo

Nutzen:
This presentation will expose the attendee to real-world considerations to productize a machine learning application.

Sprache:
Deutsch

Zielgruppe:
allgemeine Interessenten über mögliche Anwendungen des Quantencomputings

Voraussetzungen:
grundlegende Kenntnisse über Software-Algorithmen und/oder maschinellen Lernens

Überblick und Zusammenfassungen:
Obwohl Quantencomputer aktuell noch nicht leistungsstark genug sind um in der Industrie breite Anwendung zu finden, wird vorhergesagt, dass Quantencomputing in vielen Feldern innerhalb der nächsten 10 Jahre zu tiefgehenden Veränderungen führen wird. Dabei haben Quantencomputer aufgrund ihrer quantenmechanischen Eigenschaften das Potential sowohl klassische Software-Algorithmen deutlich zu beschleunigen, wie auch komplett neue Problemklassen zu erschließen. Beispiele für Anwendungen sind eine effizientere Simulation von Molekülen für Katalysatoren, Enzyme oder Medikamenten, Simulation von Batterien im Energiesektor oder für das autonome Fahren, oder auch die Lösung komplexer Optimierungsprobleme beispielsweise im Logistiksektor. Auch im Bereich der künstlichen Intelligenz kann das Quantencomputing zu tiefgreifenden Veränderungen führen, beispielsweise durch ein deutlich effizienteres Training von neuronalen Netzen. Bei diesen vielfältigen Anwendungsmöglichkeiten und den zugleich zu erwartenden disruptiven Veränderungen ist es notwendig frühzeitig zu gewährleisten, dass Quantencomputing verlässlich und für die Endanwender sicher eingesetzt werden kann.

In diesem Vortrag wird zunächst erläutert, warum angenommen wird, dass Quantencomputing einige Softwarealgorithmen deutlich effizienter gestalten kann, und sodann einige der Anwendungsfelder und -beispiele diskutiert. Abschließend wird ein Ausblick über die zu erwartende Entwicklung des Quantencomputings in den nächsten Jahren gegeben.


Art der Vermittlung:
Vortrag mit Anwendungs- und Methodenerklärung

Nutzen:
Verständnis für welche industrielle Anwendungen Quantencomputing mittelfristig sinnvoll werden wird