KI-ENNA - Ein Neuronales Netz zum Ausprobieren

KI-ENNA ist aktuell vornehmlich ein (hochschul-)didaktisches Tool, welches an allgemeinbildenden Schulen, Berufsschulen und (Fach-)Hochschulen in der Lehre zum Einsatz kommt. Ziel ist dabei die Vermittlung der Funktionsweise von neuronalen Netzen (Aktivierungsfunktionen, Parameter, etc.) anhand von konkreten Problemen (bspw. Klassifikationsproblemen). Außerdem wird ein kostenfreier Einblick in die Funktionsweise von neuronalen Netzen, die damit gegebene Möglichkeit eigenständig Parameter und Funktionen verändern zu können und damit das Lernverhalten von "KI" transparenter zu machen, ermöglicht.

Darüber hinaus kann KI-ENNA klassische Probleme aus dem Deep Learning Kontext ressourceneffizient umsetzen. Ein Beispiel bezieht sich auf die Klassifikation von dynamischen Sensordaten. So können aus der automatisierten Produktion stammende Sensordaten Probleme in der Fertigung andeuten. Einmalig gesammelte Daten (bspw. Temperatur, Geschwindigkeit, etc.) ermöglichen das Pretraining in Python und KI-ENNA übernimmt fortan in MicroPython ein Offline- und Echtzeit-Monitoring der Produktion über die aktuell zugeführten Sensordaten und reagiert entsprechend bei Problemen.

KI-ENNA basiert auf einem Raspberry Pi Pico. Dabei ist KI-ENNA ein in Python vortrainiertes Deep Learning Modell mit dem Ziel der Klassifikation, welches in MicroPython überführt sowie auf dem Raspberry Pi Pico als Microcontroller zur Anwendung gebracht werden kann. Dadurch werden die Architektur sowie die Parameter und Hyperparameter eines Deep Learning Modells zu Schulungszwecken (bspw. Workshops in allgemeinbildenden Schulen, Berufsschulen und Hochschulen sowie Behörden und Unternehmen) veranschaulicht. Hierzu sind in MicroPython relevante Aktivierungsfunktionen (Sigmoid, ReLU etc.) sowie die Architektur von Deep Learning Modellen (Neuronen, Layer etc.) vorprogrammiert und können direkt zur Anwendung gebracht werden. Eine RGB Matrix visualisiert das Deep Learning Modell und dessen Lernverhalten. Das Klassifikationsergebnis wird als Confusion Matrix auf einem kleinen LCD ausgewiesen. Die Software für KI-ENNA ist Open Source und kann eigenständig modifiziert werden. Vorinstalliert sind zwei funktionstüchtige Beispiele, mit 6 bzw. 8 Neuronen und unterschiedlichen Layern.