Redefining Machine Learning with Kotlin: A Device-First Approach to AI
Dag 2, 22. mai 2026 · kl 11:15 · Michal Harakal · 📋 i programmet · 🌐 offisiell beskrivelse
Michal Harakal presenterte SKaiNET, et Kotlin-basert rammeverk som gjør maskinlæring praktisk på enheten uten å måtte gå veien om Python eller skyløsninger. Kjernen er en typesikker DSL (nn { } / dag { }) der utviklere definerer nevrale nettverk én gang i idiomatisk Kotlin, og modellen fanges enten som en tape eller en DAG-basert beregningsgraf.
Fra samme definisjon kan man kjøre eagert under utvikling og deretter kompilere den til ulike backends: StableHLO/MLIR via IREE for native mål, C99 for Arduino, og Minerva for sikre mikrokontrollere. Harakal viste hvordan lettvekts-ConvNets og kompakte LLM-er kan kjøres fullstendig offline på mobil og innebygde enheter, med Kotlin Multiplatform som tillater deling av modellen på tvers av Android, JVM, Kotlin/Native, Wasm og JS.
Poenget er at typesikkerhet, ytelse og personvern kan gå hånd i hånd når AI flyttes fra serveren og ned til brukerens egen enhet.
Tags: AI · ML · KMP · On-device · SKaiNET · Personvern