Machine Learning Algorithmen findet man mittlerweile \u00fcberall: auf dem Smartphone, im Auto, auf Cloud-Servern, usw. Allerdings haben diese Algorithmen oft hohe Anforderungen an Rechenleistung und Speicherkapazit\u00e4t. Ist es m\u00f6glich, ein Machine Learning Modell auf einem kleinen und leistungsschwachen, aber daf\u00fcr sehr g\u00fcnstigen Ger\u00e4t zu implementieren?<\/p>\n
Die Anwendungsfelder f\u00fcr solche Algorithmen sind vielf\u00e4ltig, wie zum Beispiel Wearables, die Sensordaten on-board auswerten oder IoT-Setups mit geringer Bandbreite oder gar keiner Internetverbindung.<\/p>\n
Um diese Anwendungen zu erm\u00f6glichen, m\u00fcssen Machine Learning Modelle entwickelt werden, die so kompakt sind, dass sie auf einen Mikrocontroller mit wenigen MB Speicher passen und mit begrenzter Rechenleistung ausgef\u00fchrt werden k\u00f6nnen.<\/p>\n
In diesem Blog-Artikel beleuchten wir diese Problemstellung n\u00e4her und stellen die Herausforderungen sowie m\u00f6gliche L\u00f6sungswege anhand eines Showcases der TinyML-Technologie vor.<\/p>\n
<\/p>\n<\/div>