Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
30 Elektronik 20 2024 EMBEDDED-SYSTEME Künstliche Intelligenz in ressourcenbeschränkten Produkten TinyML pusht Datenanalyse in IoT-Geräten TinyML versetzt Mikrocontroller und stromsparende Edge-Geräte in die Lage Machine Learning durchzuführen Doch wie lässt sich TinyML implementieren was kann es leisten und welche technischen Voraussetzungen sind dafür notwendig? Von Kjetil Holstad Künstliche Intelligenz KI und Machine Learning ML im IoT – der Fachbegriff hierfür lautet Artificial Intelligence of Things AIoT – können eine IoT-Anwendung höchst wertvoll wenn nicht sogar unentbehrlich machen Es besteht kein Zweifel dass KI und ML das IoT intelligenter nützlicher und leistungsfähiger machen Neue Kategorien und Klassen von Anwendungen werden möglich die bisher undenkbar waren Aber traditionell bedeuteten KI und ML Datenverarbeitung – jede Menge Datenverarbeitung Dafür ist viel Rechenleistung und elektrische Energie erforderlich Dies hat es bisher fast unmöglich gemacht KI und ML aller Art mit den ressourcenbeschränkten Geräten und Systemen zu kombinieren die für das IoT gedacht sind – ganz zu schweigen von batteriebetriebenen Geräten Die Lösung kommt in Form einer abgespeckten hochoptimierten Form der KI die Tiny Machine Learning TinyML genannt wird TinyML ist nicht ganz neu Es ist schon überall um uns herum auf dem Vormarsch TinyML ist beispielsweise ein Leistungsmerkmal digitaler Dienste die durch »Weckwörter« ausgelöst werden wie bei den Assistenten Siri und Alexa Würde man jedoch den Hauptprozessor eines Smartphones dazu verwenden ständig auf ein Weckwort zu warten würde dies den Akku stark belasten Stattdessen bleibt eine separate Einheit mit geringem Stromverbrauch ständig wachsam Ein TinyML-Algorithmus lauscht auf die spezifischen Klangfrequenzen die ein Weckwort ausmachen und aktiviert das Smartphone sobald er sie hört – das spart laufzeitwichtige Akkuleistung AIoT macht aus »Nice to Have« ein »Must Have« Als Beispiel soll ein Gesundheitsund Fitness-Wearable für Verbraucher dienen Damit lassen sich Schritte der Kalorienverbrauch die Herztätigkeit das Schlafverhalten und andere physiologisch wichtige Parameter messen Vor dem Aufkommen von Wearables waren diese Daten noch nie in einem so praktischen und flexiblen Gerät frei verfügbar Wird noch KI hinzufügt erzielt das gleiche Wearable eine völlig neue Dimension an Fähigkeiten und Genauigkeit Es bildet die Grundlage für ein medizinisches Wearable das mehrere Vitalparameter gleichzeitig überwachen kann Eine Kombination aus Sensordaten erkennt medizinische Notfälle und kann sie sogar vorher diagnostizieren Eine Möglichkeit ist die plötz liche Änderung des Sauerstoffgehalts im Blut der Herzfrequenz des Blutdrucks und der Atmung was auf ein Herzproblem hinweisen kann Durch KI verfügen Nutzer plötzlich über ein Wearable das rund um die Uhr als medizinisches Hilfsmittel dient Ein solches Gerät ist auch für Ersthelfer von Nutzen denn damit sind sie für bestimmte Diagnosen gerüstet Dies kann lebenswichtige Zeit bis zur Bereitstellung intensiverer Pflege sparen Durch die Kombination aus stromsparender KI und präziser Datenanalyse ergibt sich somit ein medizinisches Überwachungsprodukt das die knappen Gesundheitsbudgets optimieren und vor allem Leben retten würde Edge-Anwendungen im Fokus Zu Beginn des IoT gab es die Vorstellung dass sich alles um Big Data drehen würde sowohl bei der Erfassung von Millionen von Sensoren als auch bei der Analyse in der Cloud Es wurde jedoch sehr schnell klar dass dieser Ansatz technisch und wirtschaftlich nicht durchführbar war Das Senden riesiger Mengen ungefilterter Rohdaten in die Cloud wäre zeitaufwendig und kostspielig setzte die Daten unnötigen Datenschutzrisiken aus und beeinträchtigte den Batteriebetrieb Es wurde bald klar dass die Lösung darin bestand die wichtigsten relevanten Daten herauszufiltern und datengesteuerte Entscheidungen »am Netzwerkrand« zu treffen – an der Edge Edge Computing ermöglichte alle Arten fortschrittlicher und spannender batteriebetriebener IoT-Anwendungen Ein Beispiel ist die vorausschauende Wartung und Überwachung des Stromnetzes Hier müssen die Versorgungsunternehmen so schnell wie möglich über kritische Ereignisse wie Bäume die auf Überlandleitungen fallen Brände starken Wind und Eis informiert werden Eine TinyML-Lösung kann vor Ort Störungen an den