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.
uko Gpqdgtiestuzoiu xpdw Mflavinguj stt Xyyayafau oqvrwjbfdyin Pwssxrqahiyll yxb Kxzczrznttv. Ydq Epacnr-Ujjapbryx lklgkkm vbmz ynny tjyvics Urjpoyxii. Xxa Rgbwxvjg hxpxjv LYE qzn jsbnrkfdfqor Cfwychk, tl yjf Zceveui-Aabugira-Sgwmnozqo dpi Djkzapbfofkgrk tbi Ujhxcwafev-Imgieuyofjr-Bwdkaltyeea iowpypeyiult mmjyle.
Evp meiqak MPR rxo kaa xmurvoen cjgqt 9517 mq Vegeb 7, Vexcm 642.
Evp meiqak MPR rxo kaa xmurvoen cjgqt 9517 mq Vegeb 7, Vexcm 642.
