{"id":1715,"date":"2025-12-25T10:00:00","date_gmt":"2025-12-25T09:00:00","guid":{"rendered":"https:\/\/elv001.staging.360vier.net\/?p=1715"},"modified":"2026-02-17T13:24:10","modified_gmt":"2026-02-17T12:24:10","slug":"tinyml-einfuehrung-machine-learning-auf-mikrocontrollern","status":"publish","type":"post","link":"https:\/\/de.elv.com\/elvjournal\/tinyml-einfuehrung-machine-learning-auf-mikrocontrollern\/","title":{"rendered":"Machine Learning f\u00fcr Maker – Einf\u00fchrung in Tiny Machine Learning"},"content":{"rendered":"\n

Machine Learning f\u00fcr Maker<\/strong><\/p>\n\n\n\n

Einf\u00fchrung in Tiny Machine Learning<\/h1>\n\n\n\n

Kaum ein Thema hat in den letzten Jahren so viel Aufmerksamkeit in der Technikszene erhalten wie der Einzug von KI in unseren Alltag. Neben den Modellen, die mit immer gr\u00f6\u00dferen Datenmengen gef\u00fcttert und tage- oder wochenlang trainiert werden, gibt es noch einen weiteren Trend in der KI-Forschung: Immer kleinere und optimiertere Modelle erm\u00f6glichen die Anwendung von KI auf den kleinsten Ger\u00e4ten, wenn herk\u00f6mmliche Algorithmen nicht mehr ausreichen. In dieser Beitragsserie laden wir Sie dazu ein, Sensoren aus Ihrer Bastelkiste dazu zu verwenden, intelligente Sensorknoten f\u00fcr Ihr Zuhause zu erstellen.<\/strong><\/p>\n\n\n\n

Was ist TinyML?<\/h2>\n\n\n\n

Beim Tiny Machine Learning befinden sich die Machine-Learning-Modelle direkt auf dem Mikrocontroller am Sensor oder sogar in Sensoren, die eine Signalverarbeitungseinheit haben. Das bedeutet, dass die Sensordaten nicht wie zuvor \u00fcblich an ein Gateway oder einen Server gestreamt und die Daten dort verarbeitet werden, sondern dass die gesamte Datenverarbeitung direkt am Sensor geschieht und h\u00f6chstens die Entscheidung weitergegeben wird. Im Gegensatz zu anderen Systemen haben Mikrocontroller nur sehr wenig Speicher- und Rechenleistung. Durch diese extreme Ressourcenbeschr\u00e4nkung m\u00fcssen die Modelle stark optimiert werden, sodass sie h\u00e4ufig nur wenige Kilobyte Speicherplatz einnehmen und Low-Power-Anwendungen im Vordergrund stehen.<\/p>\n\n\n\n

Als maschinelles Lernen, Machine Learning oder auch ML bezeichnen wir im Folgenden den Teilbereich der k\u00fcnstlichen Intelligenz, der sich mit den Methoden und Werkzeugen auseinandersetzt, die aus Trainingsdaten mathematische Modelle erstellen, um neue Daten automatisiert auszuwerten.<\/p>\n\n\n\n

Neben TinyML begegnen Ihnen im Internet vielleicht noch weitere, \u00e4hnliche Begriffe:<\/p>\n\n\n\n

    \n
  • Embedded AI:<\/strong> Auch hier geht es darum, dass ein Modell auf einem ressourcenbeschr\u00e4nkten Ger\u00e4t eingebettet wird und die Datenverarbeitung somit lokal stattfindet. Im Gegensatz zu TinyML kann es sich dabei aber auch um komplexere Hardware wie beispielsweise Raspberry Pis handeln. Der Fokus liegt auch weniger auf der Optimierung des Energiebedarfs.<\/li>\n\n\n\n
  • Edge AI:<\/strong> Bei diesem Begriff liegt der Fokus darauf, dass die Datenverarbeitung lokal, also am Rand eines Netzwerks stattfindet. Die Daten werden nicht gestreamt. Die Gr\u00f6\u00dfe des Modells und die Zielhardware spielen eine untergeordnete Rolle.<\/li>\n<\/ul>\n\n\n\n

    Vor allem, weil die Begriffe nah beieinanderliegen und sich zum Teil \u00fcberschneiden k\u00f6nnen, werden sie teilweise auch synonym verwendet.<\/p>\n\n\n\n

    Wozu brauchen wir TinyML?<\/h2>\n\n\n\n

    Wenn die Datenverarbeitung von Sensordaten mit herk\u00f6mmlichen Algorithmen nicht mehr ausreicht, die Auswertung dennoch lokal stattfinden soll, k\u00f6nnen Ans\u00e4tze aus dem maschinellen Lernen eingesetzt werden. Dass nicht die gesamten Daten den Sensorknoten verlassen, sondern nur das Ergebnis, bringt einige Vorteile mit sich:<\/p>\n\n\n\n

      \n
    • Datenschutz: <\/strong>Die Sensorwerte werden nur im Sensorknoten verarbeitet und nicht \u00fcbertragen und auf Servern gespeichert. Damit ist es m\u00f6glich zu verhindern, dass die Daten f\u00fcr andere Zwecke verwendet werden.<\/li>\n\n\n\n
    • Verz\u00f6gerung:<\/strong> Die Ressourcen sind auf dem Endger\u00e4t zwar beschr\u00e4nkt, aber aber weil keine zeit- und energieintensive \u00dcbertragung der Rohdaten stattfindet, kann die Zeit bis zur Entscheidung k\u00fcrzer sein.<\/li>\n\n\n\n
    • Netzauslastung: <\/strong>Die Menge der zu \u00fcbertragenden Daten nimmt drastisch ab. Dadurch sinkt auch die Netzauslastung und die \u00dcbertragung wird voraussichtlich zuverl\u00e4ssiger.<\/li>\n\n\n\n
    • Low Power:<\/strong> Wenn die Modelle kompakt genug f\u00fcr die Anwendung auf Mikrocontrollern sind und man nicht auf komplexere Hardware setzen muss, k\u00f6nnen Sensorknoten erstellt werden, die energiesparender sind. Dies erm\u00f6glicht weitere Einsatzgebiete, wie energieautarke Systeme, was mit anderer Hardware oder kontinuierlichem Datenstreaming nicht m\u00f6glich w\u00e4re.<\/li>\n<\/ul>\n\n\n\n

      Die Anwendungsm\u00f6glichkeiten sind vielf\u00e4ltig. \u00dcberall dort, wo Sensoren nicht direkt eine Gr\u00f6\u00dfe messen k\u00f6nnen, sondern wo man von Messwerten auf die Gr\u00f6\u00dfe schlie\u00dfen muss und einfache Algorithmen keine zufriedenstellenden Ergebnisse liefern, k\u00f6nnte TinyML zum Einsatz kommen.<\/p>\n\n\n

      \n
      \n
      \n \n
      \n