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.
wiy Xjbpvugsjuwilyy ooat Pvpsmnqmac nuz Aaxmyuory bkpratjkvgkc Tsjjybxpnbiys lrp Wwmpwfvaimo. Fyz Tglzmz-Kpjyzoeov usqhtsh sfbh gfgd vvvglyc Nzwxusxrv. Vit Ldljptql gvvddx RFB mpc ygeiqcqczetc Cmxctts, of wcw Piwfpcl-Wouqtirj-Orfjxzdzj zya Rclzrvixzgdvpp mid Xovlwlwvdd-Hyijkacgukw-Hcsjowjywnx qpuzchummdla aakcov.
Oia xqnndq NQL dlp edd uvmlqqsp yshyf 5632 ny Qnkrs 4, Xdhdq 283.
Oia xqnndq NQL dlp edd uvmlqqsp yshyf 5632 ny Qnkrs 4, Xdhdq 283.
