TinyML

Kapitel 14. Eigene TinyML-Anwendungen entwerfen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Bislang haben wir uns mit bestehenden Referenzanwendungen für wichtige Bereiche wie Audio-, Bild- und Gestenerkennung beschäftigt. Wenn dein Problem einem der Beispiele ähnelt, solltest du in der Lage sein, den Trainings- und Einsatzprozess anzupassen - aber was ist, wenn es nicht offensichtlich ist, wie du eines unserer Beispiele anpassen kannst? In diesem und den folgenden Kapiteln beschreiben wir, wie du eine eingebettete maschinelle Lernlösung für ein Problem erstellst, für das du keinen einfachen Ausgangspunkt hast. Deine Erfahrungen mit den Beispielen sind eine gute Grundlage für die Erstellung deiner eigenen Systeme, aber du musst auch mehr über das Entwerfen, Trainieren und Einsetzen neuer Modelle lernen. Weil unsere Plattformen so knapp bemessen sind, nehmen wir uns auch viel Zeit, um zu besprechen, wie du die richtigen Optimierungen vornehmen kannst, um dein Budget für Speicherung und Berechnung nicht zu sprengen und deine Genauigkeitsziele zu erreichen. Du wirst zweifelsohne viel Zeit damit verbringen, herauszufinden, warum etwas nicht funktioniert. Zum Schluss gehen wir darauf ein, wie du die Privatsphäre und die Sicherheit deiner Nutzer/innen schützen kannst.

Der Entwurfsprozess

Das Training von Modellen kann Tage oder Wochen dauern, und auch die Inbetriebnahme einer neuen Embedded-Hardware-Plattform ...