Startseite > Embedded > Software > Einfach entwickeln in der Cloud

IoT-Applikationen

Einfach entwickeln in der Cloud

30. September 2021, 10:00 Uhr | Von Reinhard Keil und Christopher Seidl

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 2

Datenanalyse und KI

Das IoT-Endgerät kann dem Hersteller über die Cloud wertvolle Daten liefern. Meldet das Gerät beispielsweise wichtige Parameter über den Systemzustand, sind potenziell fatale Fehler frühzeitig erkennbar. Die Technik bezeichnet man als »Predictive Maintenance«. Sie kann den Serviceaufwand für die installierte Gerätebasis reduzieren.

Entwickler führen heute KI- und ML-Algorithmen, die mit Sensordaten von IoT-Endgeräten arbeiten, häufig auf Cloud Servern aus. Um jedoch Echtzeitanforderungen zu erfüllen, sollten sie das Ausführen des Algorithmus auf das IoT-Endgerät übertragen. Mit diesem lokalen Edge-Ansatz reduziert sich ebenfalls der Internetverkehr, der ansonsten drastisch zunehmen würde. Denn oft sind Milliarden von IoT-Geräten für das Ausführen von KI-Algorithmen von der Cloud abhängig.

KI und ML in kostengünstigen IoT-Endgeräten ermöglicht neue Innovationen in künftigen Geräten. Für anspruchsvolle Algorithmen sollten die Geräte der nächsten Generation die neuen Cortex-M55- und Ethos-U-Prozessoren integrieren, die eine deutliche Leistungssteigerung bei ML-Workloads bieten.

Ein effektives Auswählen, Trainieren und Validieren von ML-Algorithmen setzt einen großen Satz repräsentativer und qualifizierter Daten voraus. Dabei hilft es, wenn man über eine große Anzahl von IoT-Endgeräten verfügt, die solche Daten erfassen. Die Daten kann man mithilfe von Datenanalysen – die auf Cloud Servern laufen – in verschiedene Kategorien gruppieren, zum Beispiel:

Testdaten: helfen, geeignete Algorithmen für das neuronale Netz zu identifizieren.
Validierungsdaten: kommen zum Einsatz, um ein System zu verifizieren.
Trainingsdaten: sind für das Generieren der ML-Modelldaten erforderlich.

Jobangebote+ passend zum Thema

MACNICA ATD EUROPE - Ihre berufliche Zukunft

MACNICA ATD Europe GmbH, Ingolstadt

Alle Jobangebote im Elektroniknet Karrierebereich anzeigen

Größtenteils findet das Training des Modells in der Cloud statt, da sowohl ein umfangreicher Datensatz als auch eine hohe Rechenleistung benötigt wird. Das Ausführen des KI-Algorithmus auf Basis des trainierten ML-Modells kann dann direkt auf dem IoT-Endgerät erfolgen. Arm arbeitet mit Partnern an dieser Technik – der Entwicklungsablauf für neuronale Netze könnte in Zukunft in folgenden Schritten erfolgen:

1. Sammeln und Qualifizieren von realen Daten mit der installierten Flotte von IoT-Endgeräten; hierbei werden die Daten auf Cloud Servern gespeichert und analysiert.
2. Geeignete neuronale Netzwerkarchitekturen und Algorithmen werden in der Cloud identifiziert.
3. Das Anpassen und erneute Trainieren des ML-Modells erfordern einen leistungsstarken Cloud Computer.
4. Zum Verifizieren des ML-Modells können Entwickler den Regressionstest auf virtuellen Simulationsplattformen verwenden.
5. Nach dem Validieren wird den IoT-Geräten eine neue Firmware oder ein neuer ML-Modelldatensatz bereitgestellt, wie im vorherigen Abschnitt beschrieben.

Richtige Entscheidungen können lediglich in Bereichen getroffen werden, in denen Trainingsdaten vorliegen. »Lernen« bedeutet also, dass ML-Algorithmen auf Basis neuer Daten zu trainieren sind, die neue »Erfahrungen« liefern. Bild 4 zeigt, dass in Bereichen, in denen nicht genügend Trainingsdaten vorhanden sind, keine richtigen Entscheidungen getroffen werden können. Hat beispielsweise eine Bilderkennung das Bild einer Katze nie »gesehen«, ist es nicht richtig qualifizierbar. Es ist daher zu erwarten, dass IoT-Endgeräte, die KI- und ML-Technik enthalten, regelmäßige Updates benötigen.

Komplexität reduzieren

Große Unternehmen nutzen bereits heute die Cloud, denn die Vorteile sind vielfältig. Sie reichen von einer besseren Zusammenarbeit in verteilten Entwicklungsteams bis hin zum Produktlebenszyklusmanagement (PLM) von IoT-Endgeräten.
Auch für kleinere Unternehmen ist die Cloud attraktiv, da sie hiermit die IT-Infrastruktur vereinfachen können: Mit dem zunehmenden Trend zum Homeoffice lassen sich Kosteneinsparungen durch das Verlagern von Entwicklungsumgebungen in die Cloud erzielen. Arm unterstützt daher einen dualen Ansatz: Cloud und Desktop. So kann das neue »Keil Studio – Cloud« Projekte laden, die mit der klassischen Desktop-Version Keil MDK erstellt wurden, und umgekehrt. Das gibt Entwicklerteams die Flexibilität, Cloud-Anwendungen im Laufe der Zeit einzuführen. Noch heute ist die Integration von Cloud-Diensten in Embedded-IoT-Geräten herausfordernd. Arm arbeitet daher mit verschiedenen Industriepartnern an Software Stacks, um die Komplexität zu reduzieren – zudem wird mit TF-M und PSA die Grundlage für Sicherheit vereinheitlicht.

»Arm DevSummit«:
Virtuelle Entwickler-Konferenz

Mit dem Entwicklertreffen DevSummit vom 19. bis 22. Oktober bringt Arm die Entwickler-Community zusammen und beleuchtet Themen rund um Cloud Computing und Software-Entwicklung. Wie bereits im letzten Jahr findet die Konferenz virtuell statt und ist für alle Teilnehmer kostenlos unter zugänglich.

Die Autoren des Artikels können Sie in folgenden Vorträgen treffen:
CI/CD and MLOps workflow for IoT endpoint development, TechTalk von Reinhard Keil: Arm-Simulationsmodelle kombiniert mit eingebetteter Python-Skript-Ausführung bieten eine leistungsfähige Testumgebung. Mithilfe der flexiblen Tools können Entwickler Anwendungen mit Simulation in CI/CD oder MLOps-Umgebungen validieren und anschließend auf die endgültige Produktions-Hardware übertragen und final prüfen.

Introducing Keil Studio and Cloud-based development for IoT and embedded applications, Workshop mit Christopher Seidl und Ronan Synnott: Einführung in die Cloud-native Keil-Studio-Plattform, die direkte Git-Integration bietet. In dem Workshop erstellen Entwickler einen Prototyp einer IoT-Endpunkt-Anwendung, der dann mit der Cloud verbunden wird. Das Testen der Applikation erfolgt direkt über den Browser.