Nuovi approcci per l'elaborazione decentralizzata, federata e sostenibile dei dati AI (RIA)

Risultati attesi:

I risultati del progetto dovrebbero contribuire allo sviluppo di nuovi approcci, strumenti e tecniche che superino gli ostacoli delle attuali tecniche di calcolo AI centralizzate: limiti nella disponibilità di energia e capacità di calcolo AI in ambienti autonomi centralizzati, disponibilità limitata di tipi di chip AI, qualità e sicurezza dei dati e latenza nell'elaborazione dei dati AI. L'obiettivo finale è aiutare a superare i colli di bottiglia della capacità di calcolo AI dell'UE offrendo modelli di calcolo AI decentralizzati e sostenibili alternativi che consentano lo sfruttamento di diverse architetture di elaborazione hardware e approcci di scalatura.

Ambito:

Questo argomento si concentra su tecnologie e tecniche che consentono all'elaborazione dei dati AI di sfruttare le risorse di calcolo distribuite attraverso il continuum cloud e edge computing durante l'intero ciclo di vita del modello AI, dalla raccolta dei dati, all'addestramento, alla messa a punto e alla distribuzione. Per superare lo stato dell'arte attuale nel settore, le aree di ricerca considerate includono:

• Ricerca su architetture AI abilitate al “continuum di calcolo” distribuite, decentralizzate e federate che vanno oltre l'apprendimento federato e integrano strumenti di compressione del modello e nuovi meccanismi per consentire all'elaborazione dei dati AI di scalare su infrastrutture di calcolo multiple e diverse.
• Sviluppo, distribuzione e funzionamento di flussi di lavoro AI su infrastrutture eterogenee e distribuite lungo il continuum di calcolo (edge, cloud, HPC), inclusa la possibilità di incorporare paradigmi di calcolo innovativi (calcolo neuromorfico e quantistico) e miglioramenti dell'efficienza hardware (ad esempio, inclusi il calcolo in-memory e l'approssimazione hardware e software).
• Metodi e tecniche innovativi per migliorare la disponibilità e la coerenza dei dati per l'elaborazione decentralizzata dei dati AI. Questi considerano strumenti per garantire la qualità dei dati (ad esempio, prevenzione dello squilibrio o dell'incoerenza dei set di dati tra fonti di dati distribuite), ottimizzazione del volume per i trasferimenti di dati tra ambienti e gestione distribuita dei dati, il tutto preservando la privacy dei dati e prevenendo fughe di dati (ad esempio, tramite protezione crittografica avanzata come la crittografia post-quantistica per la resistenza alle minacce quantistiche emergenti).
• Nuovi strumenti e meccanismi per misurare, monitorare e migliorare l'efficienza energetica end-to-end e la sostenibilità dell'elaborazione dei dati AI attraverso il continuum di calcolo, inclusa l'esplorazione delle implicazioni energetiche e di sostenibilità delle architetture di elaborazione AI eterogenee e il loro impatto sulla progettazione dell'infrastruttura di calcolo e sulla sostenibilità a lungo termine.

Le proposte di progetto di successo dovrebbero presentare gli sviluppi proposti in almeno due casi d'uso complementari in diversi settori. Questi casi d'uso dovrebbero dimostrare il valore acquisito e il potenziale impatto dei risultati del progetto in situazioni reali, nonché affrontare applicazioni e settori chiave critici per la competitività dell'Europa. I casi d'uso dovrebbero fornire esempi e scenari convincenti e provvedere alla riproducibilità del valore aggiunto dei risultati e all'impatto in settori economici aggiuntivi.

Le attività dovrebbero iniziare a TRL 3 e raggiungere TRL 6-7 entro la fine del progetto – vedi Allegato Generale B.