SembAI entwickelt daten- und energieeffiziente Umweltwahrnehmung für eingebettete/Edge-KI mit Demonstratoren in Smart Factory und Smart Farming. Der Ansatz kombiniert (i) Domänenwissen und physikalische Nebenbedingungen, (ii) semantische, wissensgestützte sowie kontinuierliche Lernverfahren, (iii) hardware-/energieoptimierte Edge-Architekturen und (iv) verantwortungsvolle KI (ELSI).

Cloud-zentrische Wahrnehmung ist daten- und energieintensiv und unterliegt Datenschutz- und Latenz-Beschränkungen. SembAI fokussiert On-Device-Lernen und -Inference, um mittels Semantik/Simulation den Labelbedarf zu senken, Nicht-Stationarität zu adressieren (kontinuierliches Lernen) und den Energieverbrauch pro Inferenz durch hardware­bewusste Verfahren zu reduzieren—unter Einbindung verantwortungsvoller KI.

Das Projekt ist in Themenpakete (TPs) sowie ELSI-Begleitung gegliedert:

• TP1 (Lukowicz): Physikalische Modelle, Priors und Nebenbedingungen für sensorbasierte Aktivitäts-/Situations­erkennung.
• TP2 (Dengel): Nutzung semantischen Domänenwissens für daten- und rechenökonomisches Deep Learning.
• TP3 (Stricker):Kontinuierliches Lernen für eingebettete KI unter Drift und Ressourcenlimits.
• TP4 (Berns):Lerndatengenerierung per Simulation und automatischer Datenaugmentierung (Smart Farming).
• TP5 (Wehn, Schöbel):Energieeffiziente Edge-Architekturen und Entwurfs­methodik (z. B. Quantisierung).
• TP6 (Ruskowski, Plociennik):Smart-Factory-Demonstratoren und Evaluations­workflows.
• TP7 (Dörr, Berns):Smart-Farming-Anwendungen inkl. Erklärbarkeit und domänenspezifischer Evaluation. 

• ELSI (mit CEDIS): Ethik-Begleitforschung und Beratung.