Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
DESIGN ELEKTRONIK 03 2023 12 www designelektronik de Software Künstliche Intelligenz Referenzen [1] Arm Cortex-M Series Processors https developer arm com ipproducts processors cortexm [2] Arm Helium technology for Arm Cortex-Mprocessor series https developer arm com Architectures Helium [3] Arm Ethos-U Series Processors https developer arm com ipproducts processors machinelearning armethosu [4] How to trick a neural network https codewords recurse com issues five whydoneuralnetworksthinkapandaisavulture [5] TensorFlow Lite for Microcontrollers https www tensorflow org lite microcontrollers [6] Synchronous Data Stream SDS Framework https github com Arm-Software SDS-Framework [7] Embedded World Conference 2022 Effective DevOps for Embedded and IoT ML Endpoint Devices [8] Enabling the New Era of Machine Learning at the Edge https qeexo com [9] Solutions for Artificial Intelligence https www arm com solutions artificialintelligence [10] Keil Rund Hertel M ML on Edge Devices embedded world Conference Proceedings 2023 S 649–655 Proceedings Nürnberg 2023 https shop wekabusinesscommunication com --> Sonderpublikationen Reinhard Keil ist Geschäftsführer von Arm Germany und Senior Director für Embedded Technology bei Arm In seiner Verantwortlichkeit ist die Definition und Strategie für Tools und CMSIS Er gründete zusammen mit seinem Bruder die Keil Elektronik GmbH und ist Co-Entwickler des Keil-C51-Compilers der die Grundlage für den weltweiten Erfolg von Keil Software ist Matthias Hertel bringt in seine Position als Senior Manager Embedded Tools Integration bei Arm mehr als zwei Jahrzehnte Erfahrung in der Arbeit mit Embedded-Systemen ein Sein Fokus liegt auf der Integration neuer Technologien einschließlich künstlicher Intelligenz KI und Internet der Dinge IoT in Softwareentwicklungswerkzeuge für Arm-Cortex-M-Mikrocontrollersysteme Bild 9 Visualisierungen wie ein PCA-Plot Principal Component Analysis erlauben das Ergebnis des Trainings zu verifizieren Bild Arm Testdaten zu verwenden Bild 8 TDK Qeexo AutoML führt den Entwickler durch den Trainingsprozess und bietet verschiedene automatische und manuelle Optionen für das Klassifikationsintervall und die -länge Modellalgorithmen und Optionen Das Cloudbasierte Training läuft dann vollständig automatisiert ab und generiert eine ML-Laufzeitbibliothek die für Cortex-M-Prozessoren optimiert ist Der Trainingsbericht zeigt relevante Informationen zum Modellverhalten einschließlich des ausgewählten ML-Modells der Typ des maschinellen Lernmodells die Genauigkeit der Kreuzvalidierung die Latenz Größe und eine zusätzliche Leistungszusammenfassung Verschiedene grafische Ansichten helfen bei der statistischen Visualisierung mit der Ergebnisvalidierung Bild 9 Die von Qeexo AutoML generierte ML-Laufzeitbibliothek wird dann in das endgültige Projekt eingebunden und bie - tet dem Nutzer zwei Funktionen QxClassify zum Ausführen des eigentlichen Modells und QxFillSensorData um Sensordaten in das Modell einzuspeisen Optimierte Frameworks und Bibliotheken ML-Algorithen ermöglichen Anwendungen die vorher unmöglich waren – mit modernen Software-Frameworks wie TensorFlow Lite sogar auf kleinen Cortex-M-Mikrocontrollern Arm bietet eine breite Palette von Prozessoren die für eine Viel - zahl von KI-Anwendungsfällen optimiert sind Die neuen Cortex-M55-und Cortex-M85-Prozessoren enthalten den Helium-Vektorbefehlssatz zum Beispiel für inno - vative Wearables wie Fitness-Tracker oder Smartwatches Diese Technologie ist auch Basis für viele medizinische und industri - elle Anwendungen Neue Werkzeuge wie die Arm Virtual Hardware AVH vereinfachen die Bewertung von ML-Modellen und die Validierung von Algorithmen Das SDS-Framework erleichtert die Erfassung von Daten aus der realen Welt über bereits im Einsatz befindliche Geräte Mit den virtuellen Streaming-Schnittstellen von AVH können diese aufgezeichneten Daten an MLOpsund DevOps-Systeme über - geben werden um Trainingsergebnisse zu verfizieren Viele Basisbibliotheken und ML-Modelle sind bereits für Arm-Prozessoren optimiert Arm-Ökosystempartner wie TDK Qeexo Edge Impuls oder DSP Concept machen ML-Technologie auch für Entwickler zugänglich die keine Vorkenntnisse über maschinelles Lernen haben Diese Unternehmen unterstützen komplette MLOps-Entwicklungsabläufe einschließlich der Modellauswahl und eines Low-Code-Ansatzes der keine domänenspezifischen ML-Kenntnisse erfordert jk Dieser Beitrag ist die schriftliche Fassung [10] eines Vortrags der embedded world Conference 2023