Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
6 DESIGN&ELEKTRONIK 04 2021 www designelektronik de Alle Bilder NXP Embedded-Computing Künstliche Intelligenz Open-SourceEntwicklungstools für ML Entwicklungstools wie die DeepView-ML-Tool-Suite der Glow-ML-Compiler und das PyTorch-Framework vereinfachen das Erstellen von Machine-Deep-Learning-Projekten auf embedded Systemen Sie bieten Entwicklern Unterstützung um Edge-Anwendungen der nächsten Generation zu realisieren Anthony Huereca Leitender Anwendungsentwickler für Embedded KI ML auf Mikrocontrollern bei NXP Mit dem Internet of Things IoT haben Milliarden vernetzter Geräte Einzug in unsere Wohnungen Fahrzeuge Büros Krankenhäuser Fabriken und Städte gehalten Die IoT-Pioniere stellten sich ausgedehnte Netzwerke mit Funksensorknoten vor die Billionen von Bytes-Daten zur Aggregation Analyse und Entscheidungsfindung in die Cloud übermitteln In den letzten Jahren hat die Vision einer IoTgetriebenen cloudbasierten Datenverarbeitung einem neuen Paradigma Platz gemacht Edge-Computing Entwickler von embedded Systemen setzen die neuesten Fortschritte bei Machine-Learning-Techniken so ein dass die Leistungsfähigkeit künstlicher Intelligenz KI am Netzwerkrand Edge genutzt werden kann Die heutigen IoT-Geräte brauchen wenig Energie und können komplexe Machineund Deep-Learning-Algorithmen lokal ohne Cloud-Verbindung ausführen wodurch Bedenken im Hinblick auf Latenz Leistung Sicherheit und Datenschutz vermindert werden Neue ML-Anwendungen und neuronale Netzwerke auf Edge-Geräten umfassen persönliche Assistenten Roboter in Fabriken Sprachund Gesichtserkennung in vernetzten Fahrzeugen KIaktivierte Überwachungskameras für zuhause sowie die vorausschauende Wartung von elektrischen Küchenund Haushaltsgeräten und industrieller Ausrüstung Der ML-Markt wächst schnell und die Anwendungsfälle für Edge-Computing-Anwendungen nehmen exponentiell zu Laut Tirias Research werden 98 % der Edge-Geräte bereits 2025 irgendeine Form des Machine-Learning nutzen Auf der Grundlage dieser Marktprognosen werden innerhalb dieses Zeitraums 1825 Milliarden Geräte Machineund Deep-Learning-Funktionen enthalten 2021 werden sich Maschine-Deep-Learning-Anwendungen etabliert haben da immer mehr Entwickler von embedded Systemen Zugang zu Komponenten mit geringem Energiebedarf Entwicklungs-Frameworks und Softwaretools erhalten die sie zum Optimieren ihrer ML-Projekte brauchen ■ Ausrichtung von ML-Entwicklungsumgebungen auf Mainstream-Entwickler Noch vor kurzer Zeit waren ML-Entwicklungsumgebungen hauptsächlich auf die Unterstützung von Entwicklern ausgerichtet die bereits beträchtliche Erfahrung mit MLund Deep-Learning-Anwendungen haben Um die ML-Anwendungsentwicklung jedoch im großen Umfang voranzutreiben muss die ML-Unterstützung für die Masse der Entwickler von embedded Systemen