Machine Learning

ML-Algorithmus statt Firmware: Trainieren statt programmieren

| Redakteur: Rebecca Näther

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)

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.

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.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45748337 / Fabrikinformationssysteme)