Aller guten Dinge sind drei: Diese Maxime l\u00e4sst sich auf die Welt der Technologie \u00fcbertragen, wenn die Rede vom Internet der Dinge (IoT), maschinellen Lernen (ML) und TinyML ist. Das erste Konzept bezieht sich auf physische Gegenst\u00e4nde, die in einem Netzwerk verbunden sind, um Daten zu sammeln und auszutauschen. F\u00fcr Fachleute ist der Umgang damit bereits gang und g\u00e4be \u2013 und auch unter Laien wird IoT mittlerweile immer gel\u00e4ufiger. Das zweite Konzept ist durch den Aufruhr um ChatGPT in aller Munde: Maschinelles Lernen bef\u00e4higt dieses KI-Programm, menschliche Sprache zu reproduzieren und allgemeine Fragen zu beantworten. Das dritte Konzept, TinyML, stellt eine Kombination aus den ersten beiden dar.<\/p>\n\n\n\n
Bei TinyML handelt es sich um das Feld, welches Algorithmen des maschinellen Lernens nutzt, um per IoT generierte, gro\u00dfe Datenmengen in Erkenntnisse umzuwandeln. Diese Art von Intelligenz kann die Entscheidungsfindung unterst\u00fctzen und Automatisierungsinitiativen in verschiedenen Branchen zu neuen H\u00f6henfl\u00fcgen verhelfen.<\/p>\n\n\n\n
Wie schafft es die Zusammenf\u00fchrung von IoT und ML, so viele Vorteile hervorzubringen? Einerseits lassen sich IoT-Daten aus verschiedenen Quellen verwenden, um Algorithmen f\u00fcr maschinelles Lernen zu trainieren. Andererseits k\u00f6nnen ML-Algorithmen die F\u00e4higkeit von IoT-Ger\u00e4ten verbessern, Echtzeitdaten an den Netzwerkr\u00e4ndern besser zu verarbeiten und zu analysieren, wodurch die Latenzzeit verringert wird.<\/p>\n\n\n\n
Ein denkbar Praxisbeispiel: Sensoren in Industrieanlagen werden nach dem Training durch Algorithmen des maschinellen Lernens k\u00fcnftig in der Lage sein, Temperaturdaten in Echtzeit zu analysieren. So k\u00f6nnte das System schon vor der Notwendigkeit vorbeugender Reparaturen eine Warnung abgeben \u2013 selbst, wenn sie zu verschiedenen Jahreszeiten oder an wechselnden Orten eingesetzt werden.<\/p>\n\n\n\n
Aber was macht das dritte, eingangs erw\u00e4hnte Konzept TinyML nun genau aus? Diese Technologie zielt darauf ab, die Leistungsf\u00e4higkeit des maschinellen Lernens auf extrem kleine Ger\u00e4te mit sehr begrenzter Rechenleistung, Speicherplatz und Energieressourcen zu \u00fcbertragen.<\/p>\n\n\n\n
TinyML-Algorithmen werden speziell f\u00fcr diese kompakten Ger\u00e4te entwickelt, die im Internet der Dinge weit verbreitet sind. Sie sind hochgradig optimiert, um komplexe Aufgaben wie Bild- und Audioerkennung zu erf\u00fcllen.<\/p>\n\n\n\n
Das Potenzial der kleinen TinyML-Technologie spiegelt sich in gro\u00dfen Zahlen wider: Laut einer Studie von ABI Research werden die TinyML-Installationen von fast 2 Milliarden (2022) auf mehr als 11 Milliarden (2027) steigen. \u201eEin gemeinsames Thema des TinyML-Marktes ist die Idee, maschinelles Lernen \u00fcberall einzusetzen. Es gibt viele denkbare Anwendungsf\u00e4lle: Denken Sie an jede Art von Sensordaten und es wird wahrscheinlich ein ML-Modell geben, das auf diese Informationen angewendet werden kann. Sensoren f\u00fcr Ger\u00e4usche und Umgebungsbedingungen sind nach wie vor am bekanntesten und d\u00fcrften das enorme Wachstum von TinyML-Ger\u00e4teinstallationen vorantreiben\u201c, prognostiziert Lian Jye Su, leitender Forschungsanalyst bei ABI Research.<\/p>\n\n\n\n
Bei der Integration von TinyML in das IoT geht es also darum, drei vielversprechende Technologien zusammenzubringen: das Internet der Dinge selbst, die M\u00f6glichkeiten des maschinellen Lernens und die Miniaturisierung von Ger\u00e4ten unter Beibehaltung der F\u00e4higkeit, komplexe Aufgaben bei minimalem Stromverbrauch durchzuf\u00fchren. Dieser Prozess erfordert Fachwissen in den Bereichen Hardware- und Softwareoptimierung, Data Science und k\u00fcnstliche Intelligenz.<\/p>\n\n\n\n
Diese Voraussage klingt bereits sehr vielversprechend \u2013 aber wie sieht eine weitere Optimierung aus, wenn 5G, Edge Computing und immer ausgefeiltere Sensoren hinzukommen? Die M\u00f6glichkeiten: zum einen eine schnellere Daten\u00fcbertragung mit 5G sowie geringere Latenzzeiten mit fortschrittlicheren Edge-Computing-Ressourcen. Dazu kommen verbesserte Sensoren, die immer vielf\u00e4ltigere und genauere Daten erfassen k\u00f6nnen. Diese drei technischen Fortschritte k\u00f6nnten zu bisher unvorstellbaren Ver\u00e4nderungen in der Tech-Branche f\u00fchren.<\/p>\n\n\n\n
Indem winzige Ger\u00e4te wie IoT-Sensoren anhand von Modellen des maschinellen Lernens trainiert werden, lernen sie vor allem eins: mehr Daten zu nutzen, um bessere Vorhersagen zu treffen. Allerdings erfordert der Trainingsprozess viel Speicherplatz, der normalerweise nicht zur Verf\u00fcgung steht.<\/p>\n\n\n\n