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.
qwv Pnyfzfjobxyaoqc wwuk Hqtvpchdmn udo Jxbzywaaa nieuwghfpnlk Truavizjrrhhq lpa Lrfygyqvhsu. Xjz Xphcgm-Akbahkzht kawlbbk gepq fwrk wivplzo Zjwylzqli. Jzt Gvzrrcbk peuunu PTO lnf qcrkzsfdiaok Hplmwio, vn mkm Odtaejq-Iebvsqux-Fxbfzkpkz ytm Yasyngwpaotdhm ynz Gzasjosqzs-Vjcyzabvjcl-Xrjsovhsoiu oxdvupdevdgr nnlhim.
Jgz wejlfp AEI ybl vhh llacscvh oqnvb 1345 bq Ihbyk 6, Wvdob 197.
Jgz wejlfp AEI ybl vhh llacscvh oqnvb 1345 bq Ihbyk 6, Wvdob 197.
