Startseite > Halbleiter > Toolbox ermöglicht TinyML für sicheres AIoT

Infineon Technologies

Toolbox ermöglicht TinyML für sicheres AIoT

20. Mai 2021, 14:51 Uhr | Iris Stroh

Die ModusToolbox ML reduziert die Komplexität, mit der Systementwickler bei der Entwicklung von AIoT-Anwendungen konfrontiert sind. Diese erfordern eine nahtlose Integration von Machine Learning Workloads zusammen mit Compute-, Connectivity- und Cloud-Domänen – eine Aufgabe, die die ModusToolbox bewältigt.

Um die Entwicklung von komplexen AIoT-Produkten zu unterstützen, bringt Infineon Technologies ModusToolbox Machine Learning (ML) auf den Markt. Damit werden Deep-Learning-basierte Funktionen auf PSoC-MCUs von Infineon unterstützt.

▶ Diesen Artikel anhören

Die Kombination von KI und IoT, als Künstliche Intelligenz der Dinge (AIoT) bezeichnet, erweitert vernetzte Geräte um ML-Funktionen und ermöglicht die Ausführung intelligenter Prozesse. Markets und Markets geht davon aus, dass der AIoT-Markt von 5,1 Mrd. Dollar in 2019 bis zum Jahr 2024 auf 16,2 Mrd. Dollar ansteigen wird, und das mit einer durchschnittlichen jährlichen Wachstumsrate von 26 Prozent.

An dieser Entwicklung will Infineon mit der ModusToolbox ML partizipieren. Sie erweitert die ModusToolbox Suite und umfasst spezielle Tools, Middleware und Software-Bibliotheken. Diese ermöglichen es Entwicklern, Deep-Learning-basierte ML-Modelle zu evaluieren und einzusetzen. Zusätzlich ist damit eine nahtlose Integration mit bestehenden Frameworks möglich, die im ModusToolbox-Ökosystem verfügbar sind. Dadurch können ML-Workloads leicht in bestehende und neue gesicherte AIoT-Systeme integriert werden. Die zahlreichen Werkzeuge bieten optimierte Arbeitsabläufe für die Bereitstellung von Machine-Learning-Modellen, so dass Entwickler effizienter arbeiten und Qualitätsprodukte schneller auf den Markt bringen können.

ModusToolbox ML ermöglicht es Entwicklern, ihr bevorzugtes Deep-Learning-Framework wie beispielsweise TensorFlow zu verwenden und direkt auf PSoC-MCUs einzusetzen. Darüber hinaus hilft diese Funktion dabei, das Modell für Embedded-Plattformen zu optimieren, um Größe und Komplexität zu reduzieren sowie die Leistung anhand von Testdaten zu validieren.