{"id":6693,"date":"2022-10-21T11:46:42","date_gmt":"2022-10-21T11:46:42","guid":{"rendered":"https:\/\/network-king.net\/wie-ein-start-up-maschinelles-lernen-mit-sensoren-verbindet\/"},"modified":"2022-10-21T11:54:46","modified_gmt":"2022-10-21T11:54:46","slug":"wie-ein-start-up-maschinelles-lernen-mit-sensoren-verbindet","status":"publish","type":"articles","link":"https:\/\/network-king.net\/de\/wie-ein-start-up-maschinelles-lernen-mit-sensoren-verbindet\/","title":{"rendered":"Wie ein Start-up maschinelles Lernen mit Sensoren verbindet"},"content":{"rendered":"\n

Pete Warden<\/a>, der ehemalige technische Leiter von Googles TensorFlow Mobile Team, hat ein Start-up gegr\u00fcndet, das Systeme f\u00fcr Machine Learning (ML) in Sensoren integriert. Die Idee zu Useful Sensors<\/a> entstand, als er feststellte, dass das Modell der Software-Frameworks, was f\u00fcr die Einf\u00fchrung von ML genutzt wird, nicht bei allen Ger\u00e4tetypen gleicherma\u00dfen gut funktioniert. Also \u00fcberlegte Warden, wie man ML-Funktionen mit kleinen und preiswerten Modulen wie Sensoren zug\u00e4nglicher machen k\u00f6nnte.<\/p>\n\n\n\n

Die Integration von ML in kleine Ger\u00e4te ist nichts Neues. Denn viele der uns bekannten Mobiltelefone kombinieren diese Art von Systemen der k\u00fcnstlichen Intelligenz (KI), um zum Beispiel Lieder zu identifizieren oder Nutzungsmodi f\u00fcr Kameras, wie Nachtsicht, einzurichten. Allerdings stellt die Implementierung von KI in kleinere Ger\u00e4tetypen eine gro\u00dfe Herausforderung dar. Und so kommt das, was wir TinyML<\/a> nennen, ins Spiel.<\/p>\n\n\n\n

Denn vereinfacht gesagt, bringt TinyML Machine-Learning-L\u00f6sungen auf kleine Hardware und trainiert sie f\u00fcr eine bestimmte Funktion, ohne dass die Trainingsdaten extern verarbeitet werden m\u00fcssen. Dadurch ist es m\u00f6glich, lokal aktualisierte ML-Modelle auf dem Ger\u00e4t selbst zu generieren, die zum Beispiel einen intelligenten Lautsprecher mit einem neuen Ausl\u00f6sewort trainieren oder einen industriellen Prozess auf den ML-Sensoren selbst \u00e4ndern k\u00f6nnen. Hierbei handelt sich also um ein Echtzeit-Training, das nicht in der Cloud oder auf gro\u00dfen Servern mit ML-Systemen, sondern am Rande des Systems durchgef\u00fchrt wird.<\/p>\n\n\n\n

Pete Warden gilt als TinyML-Experte und ist Mitautor des Buches \u201eTinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers\u201c<\/a><\/em>.<\/p>\n\n\n\n

Das erste Produkt von Useful Sensors ist der sogenannte Person Sensor. Er verwendet ein Kameramodul, das mit Algorithmen vorprogrammiert ist, um Gesichter in der N\u00e4he zu erkennen und \u00fcber eine einfache Schnittstelle Informationen dar\u00fcber liefert, wo sie sich befinden. Dabei ist der Sensor so konzipiert, dass er in gr\u00f6\u00dfere Systeme integriert werden kann, um beispielsweise einen Kioskbildschirm aus dem Ruhemodus zu aktivieren, wenn sich jemand n\u00e4hert, ein Mikrofon stumm zu schalten, wenn niemand anwesend ist, oder Ventilatoren auf eine Person zu richten. Auf der Sparkfun<\/a>-Entwicklerseite ist der Sensor f\u00fcr 10 Dollar erh\u00e4ltlich.<\/p>\n\n\n\n

Mit der gedanklichen Planung gehen aber auch Sorgen \u00fcber einen m\u00f6glichen Missbrauch einher, den die Verbreitung vertraulicher Daten \u00fcber Kameras und Mikrofone mit sich bringen w\u00fcrde. Daher beschloss Pete Warden, die ML-Verarbeitung vom zentralen Mikrocontroller auf Peripherieger\u00e4te \u2013 in diesem Fall Sensoren \u2013 zu verlagern, die laut ihm<\/a> sicherer und einfacher zu entwickeln sind. Au\u00dferdem ist ihre Angriffsfl\u00e4che sehr klein, da sie keinen gemeinsamen Speicher mit dem Rest des Systems haben. Zudem k\u00f6nnen sie von Dritten \u00fcberpr\u00fcft werden, um die Zuverl\u00e4ssigkeit sicherzustellen.<\/p>\n\n\n\n