Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
34 Elektronik 0 9 2024 Intelligenz im Edge Zehn Dinge die bei der Entwicklung von Edge-ML zu beachten sind Von vorausschauender Wartung und Bilderkennung bis hin zur Fernüberwachung von Anlagen und Zugangskontrolle – die Nachfrage nach industriellen IoT-Anwendungen die Modelle für maschinelles Lernen ML auf lokalen Geräten statt in der Cloud ausführen können wächst rasant Von Yann LeFaou Sogenannten »MLatthe-Edge«- oder »Edge-ML«-Implementierungen Machine Learning unterstützen nicht nur Umgebungen in denen Sensordaten weit entfernt von der Cloud gesammelt werden sondern sie bieten auch Vorteile wie niedrige Latenz Echtzeit-Inferenz geringere Ansprüche an die Kommunikationsbandbreite verbesserte Sicherheit und niedrigere Kosten Trotz der vielen Vorteile bringt Edge-ML natürlich auch ihre eigenen Herausforderungen mit sich sei es die begrenzte Verarbeitungsleistung und der begrenzte Speicher des Bausteins im Edge die Verfügbarkeit oder das Erstellen geeigneter Datensätze oder die Tatsache dass die meisten Entwickler von Embedded-Systemen über keinen datenwissenschaftlichen Hintergrund verfügen Die gute Nachricht dabei ist ein wachsendes Ökosystem aus Hardware Software Entwicklungstools und Support hilft Entwicklern dabei diese Herausforderungen zu meistern Zehn Faktoren die Entwickler von Embedded-Systemen in Hinblick auf Edge-ML berücksichtigen sollten sind dabei besonders wichtig Was ist eigentlich Edge-ML? Maschinelles Lernen ist eine Untergruppe der künstlichen Intelligenz KI und nutzt Algorithmen um Schlussfolgerungen Inferenzen aus aktuellen und historischen Daten zu ziehen Bislang wurden ML-Anwendungen so umgesetzt dass der Großteil der Datenverarbeitung in der Cloud stattfand Edge-ML hingegen reduziert oder eliminiert die Abhängigkeit von der Cloud weil es lokale IoT-Geräte in die Lage versetzt Daten zu analysieren Modelle und Vorhersagen zu erstellen und Maßnahmen zu ergreifen Darüber hinaus kann die Maschine im Edge ihre Effizienz und Genauigkeit ständig verbessern und zwar automatisch und mit wenig oder gar keinem menschlichen Eingriff Edge-ML hat das Potenzial dem Bereich »Industrie 4 0« einen großen Schub zu verleihen denn mithilfe einer echtzeitfähigen Verarbeitung im Edge wird die Effizienz in der Fertigung verbessert Auch Anwendungen von der Gebäudeautomatisierung bis hin zur Sicherheit und Überwachung profitieren ebenfalls von Edge-ML Das Potenzial von Edge-ML ist entsprechend riesig wie eine aktuelle Studie von ABI Research zeigt Darin wird prognostiziert dass dieser Markt bis zum Jahr 2027 mehr als 5 Mrd Dollar betragen wird Während ML früher eine Domäne der Bereiche Mathematik und Datenwissenschaften war ist es zunehmend ein Teil technischer Prozesse und insbesondere ein wichtiges Element der Entwicklung von Embedded-Systemen geworden Die Herausforderungen im Zusammenhang mit der Mikrocontroller unD Prozessoren Bild ahio stock adobe com