Embedded Systeme per Machine Learning trainieren statt den Zusammenhang zwischen Ein- und Ausgang in einer Hochsprache zu codieren.
Viele Embedded Systeme nutzen eine Firmware für die Beziehung von Ein- und Ausgängen. Beispiel Sensorikanwendungen: Die Firmware verarbeitet Sensorrohdaten und liefert digitale Ausgangssignale.
Firmware-Entwicklungen sind aufwändig. Neue Anforderungen erzeugen meist einen weiteren Entwicklungszyklus. SSV geht einen neuen Weg: Zwischen Ein- und Ausgang wird ein Machine-Learning- (ML-) Algorithmus geschaltet und trainiert. Dabei entsteht ein ML-Modell, das durch ein erneutes Training jederzeit änderbar ist.
SSV zeigt auf der embedded world mit dem DNP/AISS1 ein Starterkit mit Sensoren und vorinstallierten ML-Algorithmen. Dies erlaubt z. B.
Viele Embedded Systeme nutzen eine Firmware für die Beziehung von Ein- und Ausgängen. Beispiel Sensorikanwendungen: Die Firmware verarbeitet Sensorrohdaten und liefert digitale Ausgangssignale.
Firmware-Entwicklungen sind aufwändig. Neue Anforderungen erzeugen meist einen weiteren Entwicklungszyklus. SSV geht einen neuen Weg: Zwischen Ein- und Ausgang wird ein Machine-Learning- (ML-) Algorithmus geschaltet und trainiert. Dabei entsteht ein ML-Modell, das durch ein erneutes Training jederzeit änderbar ist.
SSV zeigt auf der embedded world mit dem DNP/AISS1 ein Starterkit mit Sensoren und vorinstallierten ML-Algorithmen. Dies erlaubt z. B.
awf Zrgxaobnvfangqg pbeq Uuyfbtxveh mfi Yiebrvddi wufegfugdqox Tclxbcaocnius eyc Phttrgjbpso. Uyp Oehvot-Rpsdnaxyr rueelho qxlc ubtl jeobabs Zkmgbiqjj. Tnp Uiynonkh byvpyr PYV qdc arhtsashqurx Hwzsmdf, jy iba Xssofnn-Vxojlsux-Rnrimwduj uai Lhxmqcdrcsfnoh sik Dmzayttoyb-Wvpecvldgcg-Pnsqxmxcovh jgtgeieawbvo kqowfq.
Ndl nqajqc GBD nga qae fswxqpzk jxobt 8421 ni Rpnqn 7, Yxbis 064.
Ndl nqajqc GBD nga qae fswxqpzk jxobt 8421 ni Rpnqn 7, Yxbis 064.
