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 8 www designelektronik de Software Künstliche Intelligenz sich jedoch auf den Entwicklungsfluss von winzigen Edge-Geräten die typischerweise bereits mit einem Singlecore-Cortex-M-Prozessor ausgestattet sind Die neuesten Cortex-M-Prozessorvarianten Cortex-M55 und Cortex-M85 haben eine erhebliche Leistungssteigerung durch die Helium-Vektoranweisungen wie in den Tabellen 1 und 2 dargestellt Diese Prozessoren laufen auch bei erheblich höheren CPU-Taktfrequenzen was eine komplexere oder schnellere Ausführung von ML-Modellen ermöglicht Die Helium-Vektorbefehle verbessern sogar die Gesamtenergieeffizienz da weniger CPU-Befehle für einen Berechnungsalgorithmus ausgeführt werden Tragbare Geräte wie Fitness-Tracker oder intelligente Uhren profitieren von den Innovationen in den Cortex-M55-oder Cortex-M85-Prozessoren Helium-Befehle verbessern sogar die Grafikeffizienz für Displays oder Kamera-Eingabeströme Die Arm2D-Grafikbibliothek implementiert Low-Level-2D-Bildverarbeitungsfunktionen für die Cortex-M-Prozessorserie Auf Cortex-M55 und Cortex-M85 werden diese Funktionen durch den Helium-Befehlssatz beschleunigt Tabelle 3 Entwicklungsprozess im MLOps-Workflow Das Softwareund Systemdesign eines eingebetteten IoTund ML-Geräts kann in zwei Phasen gegliedert werden ■ ■ Die klassische eingebettete IoT-Software die effiziente Gerätetreiber mit Schnittstellen zu Peripheriegeräten einen Kommunikationsstack mit Sicherheitsfunktionen und Firmware-Aktualisierungsdienste erfordert ■ ■ Den Systemteil der den maschinellen Lernalgorithmus implementiert Der ML-Teil wird häufig unter Verwendung von Softwareasa-Service SaaS -Cloud-Umgebungen entwickelt die auf die Entwicklung von ML-Algorithmen spezialisiert sind Maschinelles Lernen wird passenderweise mit einem MLOps-Workflow implementiert MLOps besteht aus einer Reihe von Schritten für die Entwicklung den Einsatz und die Wartung von Modellen für maschinelles Lernen in Produktionsgeräten Bild 2 zeigt die wichtigsten Phasen eines MLOps-Entwicklungsprozesses ■ ■ Data Collection Die Daten sind die Grundlage für den Lernvorgang Sie müssen so viele Szenarien wie möglich abdecken und so genau wie möglich sein um ein leistungsfähiges Modell zu erhalten ■ ■ Data Analysis Sie erfordert ein Verständnis der Szenarien die in der Datenerfassung aufgezeichnet wurden Es kann erforderlich sein die Daten zu reduzieren oder zu bereinigen bevor man zum nächsten Schritt übergeht da die erfassten Daten eine Mischung von Szenarien enthalten können ■ ■ Data Labeling Die Kategorisierung der gesammelten und bereinigten Daten Die Daten eines Fitness-Trackers könnten beispielsweise mit »Gehen« »Laufen« und »Ruhen« kategorisiert werden um die Aktivität zu beschreiben ■ ■ Data Preparation Die gesammelten Daten werden für das Modelltraining aufbereitet Die Daten können auch in Testdaten für erste Tests Validierungsdaten und Trainingsdaten unterteilt werden die in der Regel den größten Datensatz darstellen ■ ■ Model Training Bei diesem Prozess werden ein oder mehrere Algorithmen für maschinelles Lernen mit Trainingsdaten gespeist aus denen sie lernen können ■ ■ Model Evaluation Bei diesem iterativen Prozess stehen mehrere Algorithmen zur Auswahl um den besten ML-Algorithmus für ein bestimmtes Problem zu ermitteln ■ ■ System Validation Der ML-Algorithmus wird zusammen mit den Modelldaten auf dem Zielsystem getestet Die Überprüfung des ML-Algorithmus kann mit einem reduzierten Satz von Validierungsdaten durchgeführt werden ■ ■ Model Deployment die Integration des ML-Algorithmus zusammen mit den Modelldaten in das endgültige Zielsystem das in unserem Fall eine eingebettete IoT-Anwendung ist Modelle für maschinelles Lernen werden normalerweise in isolierten Systemen getestet und entwickelt Das Training des ML-Modells findet meist in der Cloud statt da sowohl ein umfangreicher Datensatz als auch eine hohe Rechenleistung Voraussetzung sind Die Ausführung des Algorithmus auf der Grundlage des ML-Modells kann dann direkt auf dem IoT-Endgerät erfolgen So wie der Mensch aus Erfahrungen lernt verbessern auch die Algorithmen des maschinellen Lernens ihre Leistung adaptiv wenn die Zahl der für das Lernen Bild 1 Arm bietet eine breite Palette an optimierten Prozessoren an um die verschiedenen Anforderungen von ML-Anwendungen zu erfüllen Bild Arm