Im Forschungsprojekt soll eine vereinheitlichte KI Umgebungen für verschiedene Hardware Plattformen geschaffen werden. Dabei wird dynamisch die Partitionierung zwischen den verfügbaren Cloud- und Edge-Ressourcen vorgenommen. Die Auslagerung von KI Algorithmen und föderiertem Lernen in ressourcenbeschränkte Edge-Computing Geräte ist dabei das Forschungsfeld des Fraunhofer IMS. Es soll ein Hardware Compiler für neuronale Netze entwickelt werden, welcher speziell für Lite Deep Edge Nodes angepasste Hardware Beschleuniger und entsprechende Software Anbindung generiert. Diese sollen dann in einem FPGA Demonstrator in einem der vier Use Cases des Projekts evaluiert werden. Folgende Szenarien werden durch Partner abgedeckt und die vom IMS entwickelte Hardware Lösung samt TinyML Software Framework Anbindung wird dort als zusätzlich verfügbare KI Ressource integriert. Durch den ganzheitlichen Ansatz des Ressourcen Sharing und dem verteilten Lernen auf mehreren Knoten wird so ein möglichst energieoptimiertes und trotzdem performantes System zur Ausführung der KI Aufgaben umgesetzt. a) Digitaler Zwilling zur Optimierung in der Fabrik (BMW) b) Smartes Farming (Agricolus) c) Automatische Materialbereitstellung (Continental) d) Augmented Reality für Einkaufszentren (Italtel)