- Einführung in Edge AI
- Definition und Abgrenzung zu Cloud-basierter KI
- Vorteile für IoT-Anwendungen (Latenz, Datenschutz, Bandbreite)
- Typische Anwendungsfälle (Predictive Maintenance, Smart Cities)
- Hardware-Plattformen für Edge AI
- Überblick Edge-Geräte (Raspberry Pi, NVIDIA Jetson, Google Coral)
- Beschleuniger-Chips (TPUs, VPUs, FPGAs)
- Energieeffizienz und Performance-Tradeoffs
- Edge AI Software-Stack
- Frameworks (TensorFlow Lite, ONNX Runtime)
- Optimierungstechniken (Quantisierung, Pruning)
- Containerisierung mit Docker/Kubernetes
- Datenpipeline am Edge
- Sensordaten-Akquisition und Vorverarbeitung
- Feature-Extraction auf ressourcenbeschränkten Geräten
- Datenaggregation und -filterung
- Modellentwicklung für Edge-Geräte
- TinyML-Ansätze
- Transfer Learning für kleine Datensätze
- Modellkomprimierungstechniken
- Edge-to-Cloud-Integration
- Hybrid-Architekturen
- Federated Learning Konzepte
- MQTT/OPC UA für Device-Kommunikation
- Laufzeitumgebungen und Management
- OTA-Updates für KI-Modelle
- Monitoring und Lifecycle-Management
- Sicherheitsaspekte (Secure Boot, Model Encryption)
- Praxisszenario: Predictive Maintenance
- Vibration Analysis mit Edge ML
- Echtzeit-Anomalieerkennung
- Entscheidungsfindung am Edge
LernzieleDie Teilnehmenden erwerben praxisnahe Kenntnisse in der Implementierung und Optimierung von Edge AI-Lösungen, um IoT-Anwendungen effizienter, sicherer und skalierbarer zu gestalten.
Zielgruppen- IoT-Entwickler
- Embedded Systems Engineers
- Data Scientists
- Industrielle Automatisierungsexperten
