SSV : Trainieren statt programmieren
In unzähligen eingebetteten Systemen wird eine in speziellen Hochsprachen erstellte Firmware genutzt, die den jeweils gewünschten Zusammenhang zwischen Ein- und Ausgangssignalen herstellt. Ein typisches Anwendungsbeispiel sind Sensorikapplikationen: Die Firmware verarbeitet die analogen Sensorrohdaten und liefert anhand eines programmierten Messverfahrens das gewünschte digitale Ausgangssignal. Klassische Firmware-Entwicklungen für Embedded-Systeme sind aufwendig und, über die gesamte Produktlebensdauer betrachtet, relativ inflexibel.
Jede kleine Änderung der Anforderungen löst einen neuen Entwicklungszyklus aus. SSV geht daher einen neuen Weg: Zwischen die Ein- und Ausgangsdaten eines Mikrorechners wird ein lernfähiger Algorithmus mit künstlicher Intelligenz (KI) geschaltet und mittels spezieller Trainingsdaten für eine bestimmte Aufgabenstellung konfiguriert. Dabei entsteht ein mathematisches Modell, das den jeweiligen Zusammenhang der Ein- und Ausgänge abbildet.
Anforderungsänderungen werden durch eine erneute Trainingsphase und zusätzliche Referenzdaten umgesetzt. SSV zeigt auf der embedded world zu diesem Thema mit dem DNP/AISS1 ein Evaluierungsboard mit verschiedenen Sensoren und vorinstallierten Machine-Learning-Algorithmen für industrielle Applikationen. Damit lassen sich Anwendungen erstellen, die beispielsweise Sensordaten per Klassifizierung oder Regression in Informationen umwandeln. Zu dem Board gehört ein Docker-Container. Dieser enthält vorkonfigurierte und sofort einsatzbereite Entwicklungswerkzeuge für die Trainingsphase und Modellbildung.