Elektroniknet Logo

Eingebettete KI

On-Edge Machine Learning

KI mit den Unterdisziplinen Maschinenlernen und Deep Learning
© WEKA Fachmedien/STMicroelectronics

KI im Edge macht es möglich, Berechnungen lokal mit hoher Leistung durchzuführen und dabei Stromverbrauch und Latenzzeiten zu reduzieren sowie Ressourcen nicht unnötig zu vergeuden.

Machine Learning als KI-Teildisziplin verleiht Systemen die Fähigkeit, zu lernen und die Entscheidungsfindung durch Erfahrungen zu verbessern, anstatt hierfür auf eine explizite Programmierung angewiesen zu sein. Der Lernprozess beginnt mit Beobachtungen, Daten oder Instruktionen und hat das Ziel, in den Daten enthaltene Muster zu erkennen und künftige Entscheidungen anhand der gemachten Beobachtungen und aufgrund von Rückmeldungen aus dem System zu verbessern. Auf diese Weise werden die Systeme befähigt, mit minimaler menschlicher Intervention automatisch zu lernen. Dieses Konzept ist in der Tat äußerst wirkungsvoll: Mit Machine Learning können sich Systeme selbst programmieren (lernen und intelligent werden). Normalerweise dienen Daten und Programme in Systemen zum Produzieren von Ausgaben. Beim Machine Learning dagegen dienen die Daten und die Ausgaben zur Schaffung eines Programms, das anschließend im Verbund mit traditioneller Programmierung genutzt werden kann. Hierfür gibt es mittlerweile eine Vielzahl bekannter Beispiele in den unterschiedlichsten Anwendungen (z. B. Aktivitäts-, Gesichts- oder Spracherkennung).

Relevante Anbieter

Bild 1
Bild 1: Schema des ML-Paradigmas
© STMicroelectronics

In den verschiedenen Anwendungen kommen unterschiedliche ML-Ansätze zum Einsatz. Beim überwachten Lernen stellt man dem System „»bekannte« Regeln und Merkmale zur Verfügung, die die Beziehung zwischen einer Eingabe (Funktionalität eines Objekts, zum Beispiel die Farbe »rot«) und einer Ausgabe (das Objekt selbst, beispielsweise ein »Apfel«) wiedergibt. Beim unüberwachten Lernen werden dem System nur die Eingaben zugeführt, und den ML-Algorithmen bleibt die Entscheidung überlassen, selbst eindeutige/separierbare Klassen und Muster zu entdecken. Beim bestärkenden Lernen dagegen werden dem System fortlaufende Eingaben zugeführt (z. B. kann ein autonomes Fahrzeug Informationen über den Straßenzustand entgegennehmen), und es wird mit dem eigenständigen Lernen und den zur Verfügung gestellten »Erfolgs«-Kriterien immer besser.

Das überwachte Lernen ist das am weitesten ausgereifte, untersuchte und genutzte Konzept in den meisten ML-Anwendungen. Es ist außerdem deutlich einfacher als das Lernen ohne Überwachung.

Natürlich gibt es noch mehr Tools zur Implementierung von KI, wie etwa regelbasierte Engines, evolutionäre Algorithmen und Bayesianische Statistik. Die wichtigsten Unterschiede zum ML kommen aus der Vergangenheit. Viele frühe KI-Programme wie etwa Deep Blue von IBM, das 1997 Garry Kasparow in Schach schlug, basierte auf Regeln und war auf menschliche Programmierung angewiesen. Machine Learning dagegen verleiht Computern die Fähigkeit, sich selbst etwas beizubringen und eigene Regeln zu erstellen. Im Jahr 2016 schlug DeepMind von Google den Weltmeister im Brettspiel Go unter Verwendung von Machine Learning, wobei auf einen großen Datenbestand über Spielzüge von Experten zurückgegriffen wurde.

Unabhängig davon, welcher Ansatz gewählt wird, ist eine beträchtliche Datenmenge für das Training von Algorithmen nötig, um mit Machine Learning auf eine zufriedenstellende Genauigkeit zu kommen. Zudem gilt es die Eingabedaten korrekt zu koordinieren. Zuallererst müssen die »Trainings-Daten« bereinigt und bezeichnet werden, um sie für die Klassifizierung nutzen zu können. Dazu werden die Eigenschaften eines Objekts bezeichnet und in das System eingegeben – zusammen mit einem Satz von Regeln, die zu einer Vorhersage führen. Zum Beispiel führen die Merkmale »rot« und »rund« im System zu der Ausgabe »Apfel«. Ebenso könnte ein Lernalgorithmus seine eigenen Regeln selbständig generieren, wenn ihm eine große Menge von Objekten (z. B. eine Gruppe von Äpfeln) zur Verfügung steht und das System erkennt, dass diese Objekte bestimmte Eigenschaften wie zum Beispiel »rot« und »rund« gemeinsam haben.

Qualitativ hochwertige Datenbestände sind entscheidend für die Entwicklung präziser und effizienter ML-Algorithmen. Außerdem erfordert das Machine Learning ein sorgfältiges Zusammenstellen und Vorbereiten der Datensätze, die vor der Verwendung erfasst, bereinigt und vorbereitet werden müssen. Anderenfalls können in den Trainings-Daten Fehler (unkorrekte Daten), Ausreißer und Rauschen enthalten sein, die es dem System erschweren, die tatsächlich zugrundeliegenden Modelle zu erkennen. Zum Vorbereiten der Daten gehört zum Beispiel das Entfernen von Duplikaten, das Korrigieren von Fehlern und der Umgang mit fehlenden Werten. In bestimmten Fällen ist ein Normalisieren der Daten oder ein Umwandeln der Datentypen erforderlich.

Doch welche Bedeutung hat ein gut ausgearbeiteter Trainingsdatensatz für ML? Im Grunde genommen enthalten diese Datensätze die Informationen, die notwendig sind, um den ML-Algorithmus möglichst genau zu trainieren. Hierfür kann man aus den Daten die einzelnen messbaren Eigenschaften oder Merkmale eines beobachteten Phänomens extrahieren. Diese Eigenschaften, die die Phänomene mit den aufgezeichneten Daten in Beziehung setzen, werden als Merkmale (Features) bezeichnet. Die Auswahl informativer, unterscheidender und unabhängiger Merkmale ist für effektive ML-Algorithmen sehr wichtig. Die Auswahl der Merkmale und die Datenbereinigung sollten als wichtigster Schritt am Anfang des Modellentwurfs stehen. Ein gutes Modelldesign schließt außerdem eine geeignete Modell-Generalisierung ein. Das heißt: wie gut lassen sich die von einem ML-Modell gelernten Konzepte auf Beispiele oder Daten anwenden, die das Modell noch nicht kennt.


  1. On-Edge Machine Learning
  2. Über- oder Unteranpassung
  3. Machine Learning im Edge - das MEMS-Sensor-Framework
  4. Vom Machine Learning zum Deep Learning

Das könnte Sie auch interessieren

Verwandte Artikel

STMicroelectronics GmbH