Edge AI: MLOps mit Edge Impulse und GitHub Copilot – Teil 3

Der abschließende Teil der Serie Edge AI beschreibt den Einsatz von LLMs wie GPT/ChatGPT in der Programmierung und stellt das MLOps-Werkzeug Edge Impulse vor.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht
Edge AI

(Bild: generiert mit DALL-E)

Lesezeit: 12 Min.
Von
  • Dr. Michael Stal
Inhaltsverzeichnis

Nach der einführenden Diskussion der KI-Grundlagen im ersten Teil der Artikelserie und dem Einsatz von Werkzeugen wie TinyML und TensorFlow Lite für die praktische Arbeit mit Künstlichen Neuronalen Netzen (KNNs) im Embedded-Umfeld im zweiten Teil der Serie, geht der abschließende Beitrag auf Large Language Models (LLMs) wie GPT/ChatGPT in der Programmierung ein und stellt das MLOps-Werkzeug Edge Impulse vor.

Mehr zu KI auf Embedded Systemen
Der Pragmatische Architekt – Michael Stal

Prof. Dr. Michael Stal arbeitet seit 1991 bei Siemens Technology. Seine Forschungsschwerpunkte umfassen Softwarearchitekturen für große komplexe Systeme (Verteilte Systeme, Cloud Computing, IIoT), Eingebettte Systeme, und Künstliche Intelligenz. Er berät Geschäftsbereiche in Softwarearchitekturfragen und ist für die Architekturausbildung der Senior-Software-Architekten bei Siemens verantwortlich.

Der Online-Dienst Edge Impulse lässt sich einerseits als Low-Code/No-Code-Entwicklungsumgebung (IDE) für Machine Learning auf eingebetteten Systemen betrachten, andererseits als MLOps-Tool. MLOps bezeichnet zwei Aspekte: zum einen die Automatisierung von Aktivitäten, zum anderen das Lebenszyklusmanagement von ML-Projekten. Um Edge Impulse nutzen zu können, müssen sich Anwenderinnen und Anwender auf der Diensteplattform registrieren. Ein kostenloses Konto gewährt rund 20 Minuten Rechenzeit pro Tag, was für erste eigene Experimente ausreicht.

(Bild: Edge Impulse)

Aufbauend auf den in den beiden ersten Teilen der Artikelserie behandelten Themen beleuchtet der folgende Text die grundlegende Nutzung von Edge Impulse anhand eines Beispielszenarios zur Erkennung von Handgesten. Beschrieben werden alle hierfür notwendigen Aktivitäten vom Datenbeschaffen bis zum Deployment des trainierten Modells. Programmierkenntnisse sind bei diesem Vorgehen nur dann erforderlich, wenn das KNN später mit weiterer Funktionalität angereichert werden soll, etwa für ereignisgesteuerte Aktionen wie Datenausgabe, Weiterreichen von Ergebnissen oder Ansteuerung von Aktorik. Nutzen lässt sich die dargelegte Vorgehensweise sowohl auf eingebetteten Systemen als auch auf Mobilgeräten. Der Artikel liefert einen konzeptionellen Überblick anhand des Beispiels. Um die Arbeit mit Edge Impulse im Detail kennenzulernen, empfiehlt es sich, das Beispiel praktisch nachzuvollziehen.