AI4EOSC - KI für die Europäische "Open Science Cloud"

Hintergrund

Ziel des Projektes AI4EOSC (zu Deutsch: Künstliche Intelligenz für die Europäische "Open Science" Cloud) ist die Bereitstellung von erweiterten und fortschrittlichen Diensten für die unterstützte Entwicklung von Modellen und Anwendungen im Bereich der Künstlichen Intelligenz (KI), des Maschinellen Lernens (ML) und Deep Learning (DL). Hierfür soll die bestehende Europäische "Open Science" Cloud (EOSC) als Basis verwendet und ausgebaut werden. Neue Dienste sollen fortgeschrittene Funktionen ermöglichen wie verteiltes, föderales und geteiltes Lernen, neuartige Provenance-Metadaten, ereignisgesteuerte Datenverarbeitungsdienste und die Bereitstellung von Diensten auf der Grundlage von Serverless Computing (Cloud-Ausführungen).

Das Projekt wird sich auf Werkzeuge zur Bereitstellung von KI-, ML- und DL-Diensten konzentrieren, indem reale Anwendungsfälle integriert werden, um den Entwurfsprozess zu unterstützen und die oben genannten Funktionalitäten zu präsentieren. AI4EOSC stützt sich bei seinen Aktivitäten auf den technologischen Rahmen des H2020-Projekts DEEP-Hybrid-DataCloud. Die über das EOSC-Portal 2 bereitgestellte DEEP-Plattform ist ein produktionsreifes System, das von Forschern in der EU schon effektiv genutzt wird, um Modelle für maschinelles Lernen und Deep Learning zu trainieren und zu entwickeln.

Erweiterung der europäischen Open Science Cloud (EOSC), um Dienste zur Entwicklung von Modellen und Anwendungen im Bereich der Künstlichen Intelligenz (KI), des Maschinellen Lernens (ML) und Deep Learning (DL) anzubieten. Die spezialisierte Plattform soll hochentwickelte, anpassbare Dienstleistungen über das EOSC Portal zur Verfügung stellen sowie den pan-europäischen Datenaustausch fördern.

Während der Projektlaufzeit wird insbesondere auch auf die Einhaltung der FAIR-Forschungs- und Datengrundsätzen geachtet bezüglich aller betriebenen Untersuchungen und erhaltetenen Ergebnissen und Teilprodukten (Daten, Modelle, Metadaten, Veröffentlichungen usw.).

Projektpartner

Bestehend aus Vertretern von Forschung, Entwicklung, Technologie und Innovation bildet das AI4EOSC-Konsortium eine ausgewogene und sich ergänzende Gruppe an Partnern. Es umfasst mehrere der aktivsten Institutionen in der Entwicklung, Implementierung, Einsatz und Betrieb verteilter paneuropäischer e-Infrastrukturen sowie erfahrene und hochinnovative KMUs mit unerforschtem Potenzial im KI Bereich. Alle an dem Projekt beteiligten Partner sind erfahren in der Softwareentwicklung und haben zu Teil bereits Schlüsselkomponenten für die e-Infrastruktur der EU mitentwickelt.

Das Konsortium besteht aus 10 Partnern aus dem akademischen Bereich (der Projektkoordinator CSIC, KIT, IISAS, UPV, LIP, INFN und PSNC) und der Industrie (Predictia, MicroStep-MIS und WODR).

IIP Beteiligung

Das IIP stellt mit Thermalbildern von städtischer Infrastruktur wie Gebäuden und Fernwärmenetzen einen der Use-Cases für die Implementierung dieser neuartigen KI-basierten Dienste. Die zuvor beschriebenen Funktionalitäten sollen anhand der Integration von KI-Modellen zur Identifikation von Wärmebrücken und thermischen Anomalien getestet und präsentiert werden.

Publikationen


Detecting district heating leaks in thermal imagery: Comparison of anomaly detection methods
Vollmer, E.; Ruck, J.; Volk, R.; Schultmann, F.
2024. Automation in Construction, 168 (Part A), Art.-Nr.: 105709. doi:10.1016/j.autcon.2024.105709
Comparative Study of Federated Learning Frameworks NVFlare and Flower for Detecting Thermal Bridges in Urban Environments
Duda, L. J.; Alibabaei, K. F.; Vollmer, E.; Klug, L.; Benz, M.; Kozlov, V.; Rebekka Volk; Götz, M.; Schultmann, F.; Streit, A.
2024, September 3. EGI Conference (2024), Lecce, Italien, 30. September–4. Oktober 2024
How Does Feature Engineering Impact UAV-based Multispectral Semantic Segmentation? An RGB and Thermal Image Ablation Study
Vollmer, E.; Benz, M.; Kahn, J.; Klug, L.; Volk, R.; Schultmann, F.; Götz, M.
2024, Juni 12. Helmholtz Artificial Intelligence Conference (Helmholtz AI 2024), Düsseldorf, Deutschland, 12.–14. Juni 2024
AI4EOSC - D6.2 Intermediate status report about integration of pilot applications
Kozlov, V.; Sainz-Pardo, J.; Berberi, L.; Alibabaei, K.; Vollmer, E.; Błaszczak, M.; Krzyżanek, M.; Smok, J.; Bartok, J.; Sisan, P.; Papadopoulos, G.; Izquierdo, P.
2024. Zenodo. doi:10.5281/zenodo.10729327
Federated Learning for Urban Energy Efficiency: Detecting Thermal with UAV-based Imaging and AI
Duda, L. J.; Alibabaei, K.; Vollmer, E.; Klug, L.; Benz, M.; Kozlov, V.; Volk, R.; Goetz, M.; Schultmann, F.; Streit, A.
2024, Juni 12. Helmholtz Artificial Intelligence Conference (Helmholtz AI 2024), Düsseldorf, Deutschland, 12.–14. Juni 2024
AI in multispectral image analysis: Implementing a deep learning model for the segmentation of common thermal urban features to assist in the automation of infrastructure-related maintenance
Vollmer, E.; Klug, L.; Volk, R.; Schultmann, F.
2024, März 21. 4th Artificial Intelligence in Architecture, Engineering and Construction Conference (2024), Helsinki, Finnland, 20.–21. März 2024
D6.1 : Analysis of user applications, collection of requirements
Berberi, L.; Heredia, I.; Kozlov, V.; Vollmer, E.; Sainz-Pardo, J.; Bartok, J.; Fojud, A.; Blaszczak, M.; Rausch, A.; Alibabaei, K.
2023. Zenodo. doi:10.5281/zenodo.7635453
UAV-based Thermography: Using AI with Multispectral Data
Vollmer, E.
2023, Dezember 7. ANERIS Workshops on AI Basics for Image Processing (2023), Online, 28. November–7. Dezember 2023