Machine Learning: MLOps für AI auf eingebetteten Systemen

Inhaltsverzeichnis

Künstliche Intelligenz wird zunehmend am Rand des Netzwerks gebraucht, auf Edge-Computern und Mikrocontrollern. Typische Anwendungsfälle dieser Edge AI sind die Hinderniserkennung beim autonomen Fahren, Gestenerkennung in der Heimautomatisierung oder Sprachverarbeitung beim Erstellen ärztlicher Befunde.

Gerade beim Erkennen von Hindernissen durch autonome Fahrzeuge zeigt sich einer der Gründe: Bei der Verarbeitung auf einem entfernten Server wäre die Reaktionszeit viel zu lang. Wer Daten dort verarbeitet, wo sie entstehen, geht außerdem Sicherheitsrisiken aus dem Weg.

Mehr zu Künstlicher Intelligenz

• KI-Sprachgeneratoren: Wie man sie von Menschen unterscheiden kann
• Rechnen mit Licht: In Spezialbereichen tausendfach schneller als Elektronen
• Aufbau und Elemente superschneller optischer Digitalcomputer
• Rechtsrisiken beim Einsatz künstlicher Intelligenz
• Neuartige Chiptechnik erkennt Muster in schnellen Sensordaten
• Erklärbare künstliche Intelligenz erkennt Tumorgewebe nachprüfbar
• EU-KI-Verordnung: Mit Recht zu menschlicherer künstlicher Intelligenz
• KI-Chatbots – eine Marktübersicht
• Was eine ethische KI leisten soll: Ein Interview mit Gery Zollinger
• KI-Bildgeneratoren: Was sie können und wie man sie einsetzt
• Tipps für die besten Ergebnisse mit KI-Bildgeneratoren
• KI-Bildgeneratoren: Sechs Web-Apps im Test
• KI-Bildgeneratoren: Diese Technik steckt dahinter
• Skalierungshypothese: Welche nächsten Schritte muss die KI-Forschung gehen?
• KI in Unternehmen: Wie künstliche Intelligenz Firmen produktiv macht
• KI auf dem Prüfstand: Was künstliche Intelligenz kann und was nicht
• KI-Zukunft: So wollen Forscher und Praktiker die Grenzen der KI überwinden
• KI: So funktionieren künstliche Sprachsysteme vom Typ "Transformer"
• Wandelbare Sprach-KI: Neuronales Netz textet, codet und übersetzt

Embedded Devices im IoT-Netz oder andere Endgeräte wenden also neuronale Netze zur Entscheidungsfindung an (Inferenz), während das zeitaufwendige und rechenintensive Training der Modelle auf leistungsfähigen Servern stattfindet. Dank Technologien wie TinyML ist der Transfer fertiger Modelle auf eingebettete Systeme meist einfach.

Das war die Leseprobe unseres heise-Plus-Artikels "Machine Learning: MLOps für AI auf eingebetteten Systemen". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.