Decentraliserad AI ska göra autonoma fordon robustare i verkliga miljöer

Hur tränar man AI-modeller när data inte kan samlas in på en central plats? Det är en av de frågor som projekten DREAM och MoE arbetar med inom ramen för Avancerad Digitalisering.

Båda projekten samlar företag och forskningsaktörer för att utveckla nästa generations AI-system för autonoma fordon och andra datatunga miljöer. En av de deltagande aktörerna i båda projekten är deeptechbolaget Scaleout Systems, som utvecklar lösningar för decentraliserad AI och federerad inlärning.

– Vi försöker hitta nya sätt att träna maskininlärningsmodeller utan att behöva samla all data på ett ställe, säger Salman Toor, CTO och medgrundare av Scaleout Systems.

AI som lär sig där datan finns

I dagens AI-utveckling samlas data ofta in centralt för att träna modeller. Men inom exempelvis fordonsindustrin, försvarssektorn och smart tillverkning är det inte alltid möjligt. Data kan vara känslig, omfattas av regelverk eller helt enkelt vara för omfattande för att flyttas.

Federerad inlärning erbjuder ett alternativ. Tekniken gör det möjligt att träna AI-modeller lokalt där datan genereras, samtidigt som kunskap delas mellan systemen utan att själva datan behöver flyttas.

– Inom autonoma fordon genereras enorma mängder data från kameror, radar och andra sensorer. Samtidigt ställs mycket höga krav på säkerhet och precision, säger Salman Toor.

Robustare AI för olika miljöer

I projektet MoE, som leds av Scaleout Systems, utvecklas AI-modeller som bättre kan hantera olika väderförhållanden och miljöer.

Ett självkörande fordon måste kunna fungera lika bra i snö och mörker som i solsken och tät stadstrafik. Projektet använder så kallade ”Mixture of Experts”-modeller, där olika delar av AI-systemet specialiseras på olika situationer.

– Målet är att bidra till mer robusta och träffsäkra modeller som fungerar i verkliga miljöer, inte bara i laboratorier, säger Salman Toor.

Projektet genomförs tillsammans med bland annat nationellt center för tillämpad AI, AI Sweden, och teknikföretaget Zenseact.

Fokus på resilienta AI-system

Scaleout Systems deltar också i DREAM, ett projekt inom Avancerad Digitalisering som leds av RISE. Här ligger fokus på hur distribuerade AI-system kan bli mer robusta och effektiva genom förbättrad kommunikation och självövervakad inlärning.

Projektet samlar aktörer som RISE, Zenseact, AI Sweden och Scaleout Systems för att undersöka hur framtidens fordonsflottor kan samarbeta och lära sig av varandra även under begränsade nätverksförhållanden.

– Vi ser att effektiv kommunikation är helt avgörande. Systemen måste kunna utvecklas, anpassa sig och dela kunskap även när det inte är möjligt att överföra stora mängder data, säger Salman Toor.

Stärker svensk konkurrenskraft

Enligt Salman Toor har resultaten potential långt utanför fordonsindustrin. Tekniken kan även användas inom smarta städer, industriell produktion, logistik och försvar.

Han lyfter också fram betydelsen av programmet Avancerad Digitalisering.

Den här typen av projekt är svåra att genomföra på egen hand. Programmet ger oss möjlighet att samarbeta med rätt aktörer, testa lösningar i verkliga miljöer och tillsammans bygga starkare innovationer.

På sikt ser han ett samhälle där allt fler AI-system tränas och används nära datakällan – i fordon, fabriker, byggnader och kritisk infrastruktur.

– Behovet av decentraliserad AI kommer bara att öka. Därför är det viktigt att vi redan idag utvecklar lösningar som fungerar effektivt och tillförlitligt i verkliga och krävande miljöer. Scaleout Systems arbete har även uppmärksammats internationellt och inom säkerhetsområdet. Under 2026 tilldelades bolaget TechSweden Security Award för sin teknik.