Machine Learning auf IoT-Devices
TinyML, manchmal auch "EdgeML" genannt, verbindet die beiden Disziplinen Machine Learning und Embedded Systems. Es ermöglicht Machine Learning Modelle direkt auf energieeffizienten Mikrocontrollern von IoT-Devices mit sehr geringen Speicher- und Rechenkapazitäten auszuführen. Das hat den Vorteil, dass wenige Daten übertragen werden müssen - statt Rohdaten müssen nur die Resultate der Machine Learning Modelle (Vorhersagen) übertragen werden. So kann Data Analytics direkt auf dem IoT-Device mit sehr niedrigen Latenzzeiten und geringem Strombedarf durchgeführt werden.
Ein Beispiel: Schadenserkennung auf IoT-Geräten
TinyML ermöglicht eine Vielzahl von neuen Lösungen. In diesem Beispiel sollen Schäden an Assets wie Containern oder Güterwaggons während des Beladevorgangs erkannt werden.
Die nachstehende Abbildung verdeutlicht den Ablauf: Basierend auf historischen Daten wird ein Machine Learning Modell in der Cloud trainiert. Das fertige Modell wird komprimiert, damit es lokal auf den IoT-Devices ausführbar ist. Das Deployment erfolgt remote über das Mobilfunknetz via IoT-Plattform. Die betroffenen Fachbereiche werden nur alarmiert, wenn ein tatsächlicher Schaden droht oder eingetreten ist.
In diesen Fällen kann sich TinyML lohnen:
-
Sehr wenig Stromkapazitäten für Datenübertragung vorhanden (z.B. im Fall von energieautarken Devices): Mikrocontroller verbrauchen sehr wenig Strom. Wenn die Daten direkt auf dem IoT Device verarbeitet werden, können die Batterie-/Akkulaufzeiten deutlich verlängert werden.
-
Hohe Kosten der Datenübertragung: Statt kontinuierlich Rohdaten zu senden, müssen nur die relevanten Informationen an das zentrale System übertragen werden.
-
Starke Abhängigkeit von Mobilfunk Netzabdeckung (z.B. bei sich bewegenden Assets): Da relevante Informationen direkt auf dem IoT Device generiert werden und weniger Daten gesendet werden, wird auch weniger Bandbreite beansprucht.
-
Strikte Datenschutzvorgaben: Die Daten müssen nicht übertragen und in der Cloud gespeichert werden, da die Modelle direkt auf dem IoT-Device laufen.
-
Geringe Latzenzeiten sind wichtig: Die Daten werden direkt auf dem IoT Device ausgewertet und müssen nicht an ein zentrales System übermittelt werden.
Kontakt
Interessieren Sie sich für Machine Learning auf IoT-Devices oder haben Sie Fragen? Sie können sich jederzeit an uns wenden. Unsere Expertinnen und Experten melden sich umgehend bei Ihnen.

Stefanie Pichler
Product Manager for Machine Learning & Advanced Data Analytics