Streaming AI - Föderierte Geräte-AI für die Digitale Transformation in der Industrie (Poster)

Alois Ferscha; Bernhard Anzengruber-Tánase; Michael Haslgrübler-Huemer; Ekaterina Sysoykova; Miguel Vazquez Pufleau; Patrick Denzler; Martin Schobesberger; Muhammad Waleed Khan; Sepp Hochreiter

Streaming AI - Föderierte Geräte-AI für die Digitale Transformation in der Industrie (Poster)

Alois Ferscha, Bernhard Anzengruber-Tánase, Michael Haslgrübler-Huemer, Ekaterina Sysoykova, Miguel Vazquez Pufleau, Patrick Denzler, Martin Schobesberger, Muhammad Waleed Khan, Sepp Hochreiter

Institute of Pervasive Computing

Research output: Other contribution

Abstract

Streaming AI soll die gezielte Weiterentwicklung einer AI für industrielle Anwendungen vorantreiben. Im Gegensatz zu konventioneller vortrainierter, ganzheitlicher und Ressourcen-intensiver AI, sollen i. Streaming Machine Learning Methoden, und ii. On-Device Machine Learning Methoden eingeführt, und so die Abhängigkeit von Massen-Trainingsdaten vermindert- und höhere ökologische Nachhaltigkeit erreicht werden.

Original language	German (Austria)
Number of pages	1
Publication status	Published - Sept 2024

Fields of science

202017 Embedded systems
102 Computer Sciences
102009 Computer simulation
102013 Human-computer interaction
102019 Machine learning
102020 Medical informatics
102021 Pervasive computing
102022 Software development
102025 Distributed systems
211902 Assistive technologies
211912 Product design

JKU Focus areas

Digital Transformation

Cite this

@misc{731fa92f3b7b4fbd97a59da01643a2b7,

title = "Streaming AI - F{\"o}derierte Ger{\"a}te-AI f{\"u}r die Digitale Transformation in der Industrie (Poster)",

abstract = "Streaming AI soll die gezielte Weiterentwicklung einer AI f{\"u}r industrielle Anwendungen vorantreiben. Im Gegensatz zu konventioneller vortrainierter, ganzheitlicher und Ressourcen-intensiver AI, sollen i. Streaming Machine Learning Methoden, und ii. On-Device Machine Learning Methoden eingef{\"u}hrt, und so die Abh{\"a}ngigkeit von Massen-Trainingsdaten vermindert- und h{\"o}here {\"o}kologische Nachhaltigkeit erreicht werden.",

author = "Alois Ferscha and Bernhard Anzengruber-T{\'a}nase and Michael Haslgr{\"u}bler-Huemer and Ekaterina Sysoykova and \{Vazquez Pufleau\}, Miguel and Patrick Denzler and Martin Schobesberger and Khan, \{Muhammad Waleed\} and Sepp Hochreiter",

year = "2024",

month = sep,

language = "Deutsch ({\"O}sterreich)",

type = "Other",

}

TY - GEN

T1 - Streaming AI - Föderierte Geräte-AI für die Digitale Transformation in der Industrie (Poster)

AU - Ferscha, Alois

AU - Anzengruber-Tánase, Bernhard

AU - Haslgrübler-Huemer, Michael

AU - Sysoykova, Ekaterina

AU - Vazquez Pufleau, Miguel

AU - Denzler, Patrick

AU - Schobesberger, Martin

AU - Khan, Muhammad Waleed

AU - Hochreiter, Sepp

PY - 2024/9

Y1 - 2024/9

N2 - Streaming AI soll die gezielte Weiterentwicklung einer AI für industrielle Anwendungen vorantreiben. Im Gegensatz zu konventioneller vortrainierter, ganzheitlicher und Ressourcen-intensiver AI, sollen i. Streaming Machine Learning Methoden, und ii. On-Device Machine Learning Methoden eingeführt, und so die Abhängigkeit von Massen-Trainingsdaten vermindert- und höhere ökologische Nachhaltigkeit erreicht werden.

AB - Streaming AI soll die gezielte Weiterentwicklung einer AI für industrielle Anwendungen vorantreiben. Im Gegensatz zu konventioneller vortrainierter, ganzheitlicher und Ressourcen-intensiver AI, sollen i. Streaming Machine Learning Methoden, und ii. On-Device Machine Learning Methoden eingeführt, und so die Abhängigkeit von Massen-Trainingsdaten vermindert- und höhere ökologische Nachhaltigkeit erreicht werden.

UR - https://pro2future.at/Poster2024/Area1_StreamingAI_BA.pdf

M3 - Sonstiger Beitrag

ER -

Streaming AI - Föderierte Geräte-AI für die Digitale Transformation in der Industrie (Poster)

Abstract

Fields of science

JKU Focus areas

Other files and links

Cite this