Machine Learning auf IoT-Devices

Die Kombination von IoT und Machine Learning eröffnet viele Möglichkeiten für neue Geschäftsfelder, aber auch Effizienzsteigerungen oder Kostensenkungen. Dafür ist es oft notwendig, Machine Learning Modelle direkt auf den Mikrocontrollern der IoT-Devices anstatt in der Cloud auszuführen. 

Viele IoT-Lösungen basieren auf kostengünstigen und leistungsschwachen Sensoren, die eine regelrechte Datenflut erzeugen. Dabei muss allerdings berücksichtigt werden, dass die Übertragung großer Datenmengen von einem IoT-Device an ein zentrales System (in der Cloud) energie- und kostenintensiv ist. Um IoT-Projekte durch Machine Learning aufzuwerten, müssen daher oft mehrere Stolpersteine aus dem Weg geräumt werden: 

 

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.

mlgrafik_02.jpg

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.

Das könnte Sie auch interessieren:

Webinaraufzeichnung
IoT - Alles in der Cloud? Warum Machine Learning direkt am Endgerät stattfinden sollte
Whitepaper
Entscheidungen auf Grundlage von Machine Learning

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