Maschinelles Lernen am Edge zugänglich machen: Die Lücke schließen

Edge Intelligence ist nun für Designer ohne formale Data-Science-Ausbildung erreichbar, dank neuer Hardware-Plattformen.

Vernetzte Geräte und das Internet of Things (IoT) haben sich in den Stoff unseres täglichen Lebens eingewoben – ob in Häusern, Fahrzeugen oder Arbeitsplätzen. Während die meisten dieser Geräte auf Cloud-Services für schwere Berechnungen setzen, formt ein neues Paradigma, „Edge Intelligence“, neu, wie wir intelligente Systeme bauen.

In diesem Artikel vergleichen wir Cloud-basierte Intelligence mit Edge Intelligence, illustrieren reale Use Cases und zeigen, wie NXPs Hardware und eIQ-Software-Ökosystem Designer aller Skill-Level befähigt, Machine Learning (ML) am Edge zu deployen.

Wichtige Machine-Learning-Begriffe

Cloud Computing

Cloud Computing liefert Remote-Computing-Ressourcen on-demand. Service-Provider warten die Hardware und garantieren Verfügbarkeit, sodass Kunden nur für das bezahlen, was sie nutzen. Für die meisten Unternehmen bleiben Cloud-Services die Go-to-Lösung für großskalige Analytics und Training.

Edge Computing

Edge Computing platziert Verarbeitung näher an der Datenquelle – zwischen Endnutzer und Cloud. Edge-Nodes übernehmen Filterung, Pufferung und Privacy-enhancing Aufgaben, reduzieren Latenz und Bandbreitennutzung und senken Kosten. Moderne Edge-Geräte betten nun KI-Beschleuniger ein, die entscheiden, welche Daten für tiefere Analyse upstream geschickt werden.

Machine Learning (ML)

Im Kern trainiert ML Algorithmen, Muster zu erkennen. Neuronale Netze – besonders Convolutional-Architekturen wie MobileNet – haben ML demokratisiert, indem sie effizient auf Geräten mit begrenzten Ressourcen laufen. Das Ergebnis: hochpräzise Bildklassifikation, Spracherkennung und mehr, alles am Edge.

ML jenseits der Data-Science-Domäne

Historisch erforderte der Bau von ML-Systemen tiefe Data-Science-Expertise. Heute hat sich die Landschaft dramatisch gewandelt. Prognosen sagen voraus, dass bis 2025 98 % der Edge-Geräte ML einbetten werden, was etwa 18–25 Milliarden smarte Geräte weltweit entspricht. Diese Explosion eröffnet Möglichkeiten in Computer Vision, Sprachanalyse, Videoverarbeitung und Sequenzanalyse.

Konkrete Beispiele sind smarte Türschlösser, die Kamera-Feeds nutzen, um autorisierte Nutzer zu erkennen, oder Flottenmanagement-Dashboards, die Fahrerablenkung in Echtzeit detektieren. Der Schlüssel: Diese Fähigkeiten sind nicht mehr Spezialisten vorbehalten; sie können von Designern mit bescheidenem ML-Wissen zusammengebaut werden.

Hardware-Plattformen, die Edge ML praktisch machen

Optimierte Neural-Network-Algorithmen, kombiniert mit leistungsstarken Mikrocontrollern, ermöglichen anspruchsvolle ML-Workloads am Edge. Der i.MX RT1170 bietet beispielsweise eine Dual-Core-Architektur – 1 GHz Arm Cortex‑M7 plus 400 MHz Cortex‑M4 –, die Echtzeit-Inferenz und gleichzeitige Model-Ausführung erlaubt. Seine eingebauten Crypto-Engines, Grafik- und Multimedia-Support machen ihn ideal für Fahrerablenkungserkennung, Smart Lighting, intelligente Schlösser und Flottenmanagement-Systeme.

Der i.MX 8M Plus zielt auf höherperformante Anwendungen wie Computer Vision und Industrieautomation. Mit einer dedizierten NPU, die bis zu 2,3 TOPS liefert, vier Arm Cortex‑A53 Kernen und optionalem 4K- oder Dual-HD-Kamera-Support kann er Gesichtserkennung, Objektdetektion und fortgeschrittene Multimedia-Aufgaben bewältigen. Ein zusätzlicher Low-Power Cortex‑M7 Kern handhabt Echtzeit-Networking-Funktionen, inklusive CAN FD und TSN-fähigem Gigabit Ethernet.

Das eIQ Toolset: Vom Modell zum Deployment

NXPs eIQ ML-Ökosystem verwandelt diese leistungsstarken Geräte in benutzerfreundliche Plattformen. Die Suite umfasst Inference Engines, Neural-Network-Compiler und optimierte Bibliotheken, die sich in die MCUXpresso IDE und Yocto BSP integrieren. Kommende Releases fügen ein grafisches eIQ Toolkit und eIQ Portal hinzu, die sowohl „Bring Your Own Model“ (BYOM) als auch „Bring Your Own Data“ (BYOD) Workflows unterstützen.

Mit BYOM können Entwickler Modelle in der Cloud trainieren und in die eIQ-Umgebung importieren, dann die optimale Inference Engine wählen. Mit BYOD kuratieren dieselben Tools Datensätze, trainieren Modelle und paketieren sie – alles innerhalb derselben grafischen Oberfläche.

Edge ML: Zugänglich, sicher und skalierbar

Edge Computing hält sensible Daten lokal, reduziert Bandbreitenkosten und schneidet Latenz – Vorteile, die sich verstärken, wenn sie mit ML kombiniert werden. Ob Echtzeit-Fahrerablenkungsalarme oder automatisierte Zugangskontrolle – ML am Edge transformiert, wie Geräte mit der Welt interagieren.

Durch Kombination von NXPs kosteneffizienter Hardware mit einem entwicklerfreundlichen Software-Stack können Designer aller Erfahrungsstufen robuste, zukunftssichere ML-Lösungen erstellen. Ob Sie einen einzelnen Prototyp bauen oder eine Flotte von Milliarden Geräten deployen – die Tools und Plattformen sind nun in Reichweite.

Industry Articles sind eine Content-Form, die Industriepartnern erlaubt, nützliche Nachrichten, Botschaften und Technologien mit All-About-Circuits-Lesern zu teilen, auf eine Weise, wie es redaktionelle Inhalte nicht gut leisten. Alle Industry Articles unterliegen strengen redaktionellen Richtlinien mit dem Ziel, Lesern nützliche Nachrichten, technisches Expertenwissen oder Stories zu bieten. Die Standpunkte und Meinungen in Industry Articles sind die des Partners und nicht notwendigerweise die von All About Circuits oder seinen Autoren.