Embedded Machine Learning: ML-Algorithmus statt klassischer Firmware

back 2/3 next
Bild 2: Der Einsatz von Machine-Learning-Algorithmen für eine Embedded-Systems-Anwendung besteht aus zwei Phasen. In einer Trainingsphase Bild: SSV Software Systems GmbH
Bild 2: Der Einsatz von Machine-Learning-Algorithmen für eine Embedded-Systems-Anwendung besteht aus zwei Phasen. In einer Trainingsphase werden aus den zum Embedded System gehörenden Sensoren zunächst Historiendaten erzeugt, die anschließend zur Modellbildung genutzt werden. In den meisten Embedded-Machine-Learning-Applikationen erfolgt die Modellbildungsphase auf einer leistungsfähigen IT-Hardware oder in der Cloud (Off Device) und nur die Inferenzmodellnutzung mit Hilfe von Echtzeitdaten auf der Embedded Hardware (On Device). Um jederzeit bestmöglichste Analyseergebnisse sicherzustellen, ist zusätzlich ein „Modell-Update-Prozess“ implementiert, der permanent zu inkrementellen Modellverbesserungen führt.
Bild 2: Der Einsatz von Machine-Learning-Algorithmen für eine Embedded-Systems-Anwendung besteht aus zwei Phasen. In einer Trainingsphase