Machine Learning ML-Algorithmus statt Firmware: Trainieren statt programmieren

Redakteur: Rebecca Näther

Embedded Systeme per Machine Learning trainieren statt den Zusammenhang zwischen Ein- und Ausgang in einer Hochsprache zu codieren: SSV zeigt auf der Embedded World mit dem DNP/AISS1 ein Starterkit mit verschiedenen Sensoren und vorinstallierten Machine-Learning-Beispielen.

Anbieter zum Thema

Das DNP/AISS1 Starterkit mit verschiedenen Sensoren und vorinstallierten Machine-Learning-Beispielen bietet neben zahlreichen mathematischen Funktionen auch verschiedene KI-Algorithmen für industrielle Applikationen. Damit lassen sich Anwendungen erstellen, in denen der gewünschte Zusammenhang zwischen den Ein- und Ausgangsdaten nicht mehr per Software codiert, sondern stattdessen mittels zuvor erzeugter Referenzdaten trainiert wird.
Das DNP/AISS1 Starterkit mit verschiedenen Sensoren und vorinstallierten Machine-Learning-Beispielen bietet neben zahlreichen mathematischen Funktionen auch verschiedene KI-Algorithmen für industrielle Applikationen. Damit lassen sich Anwendungen erstellen, in denen der gewünschte Zusammenhang zwischen den Ein- und Ausgangsdaten nicht mehr per Software codiert, sondern stattdessen mittels zuvor erzeugter Referenzdaten trainiert wird.
(Bild: SSV Software Systems)

Viele Embedded Systeme nutzen eine Firmware für die Beziehung von Ein- und Ausgängen. Beispiel Sensorikanwendungen: Die Firmware verarbeitet Sensorrohdaten und liefert digitale Ausgangssignale.

Firmware-Entwicklungen sind aufwändig. Neue Anforderungen erzeugen meist einen weiteren Entwicklungszyklus. SSV geht einen neuen Weg: Zwischen Ein- und Ausgang wird ein Machine-Learning- (ML-) Algorithmus geschaltet und trainiert. Dabei entsteht ein ML-Modell, das durch ein erneutes Training jederzeit änderbar ist.

Starterkit mit Sensoren und vorinstallierten ML-Algorithmen

Das Unternehmen zeigt auf der Embedded World mit dem DNP/AISS1 ein Starterkit mit Sensoren und vorinstallierten ML-Algorithmen. Dies erlaubt z.B. per Klassifizierung oder Regression die Gewinnung werthaltiger Informationen aus Sensordaten. Ein Docker-Container enthält alle dazu nötigen Werkzeuge. Des Weiteren bietet der Hersteller ein regelmäßiges Webinar, in dem Machine-Learning-Beispiele mit Sensorrohdaten für Predictive-Maintenance-Anwendungen demonstriert werden.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

(ID:45748337)