{"id":4069,"date":"2026-02-24T08:49:16","date_gmt":"2026-02-24T07:49:16","guid":{"rendered":"https:\/\/staging.elv.eqxt.de\/?p=4069"},"modified":"2026-04-14T16:32:48","modified_gmt":"2026-04-14T14:32:48","slug":"machine-learning-fuer-maker-ablauf-von-tinyml-projekten-der-crisp-dm-prozess","status":"publish","type":"post","link":"https:\/\/de.elv.com\/elvjournal\/machine-learning-fuer-maker-ablauf-von-tinyml-projekten-der-crisp-dm-prozess\/","title":{"rendered":"Machine Learning f\u00fcr Maker – Ablauf von TinyML Projekten: Der CRISP-DM Prozess"},"content":{"rendered":"\n

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

Ablauf von TinyML-Projekten: der CRISP-DM-Prozess<\/h1>\n\n\n\n

AutoML-Anbieter wie Edge Impulse oder Neuton AI erleichtern das Arbeiten mit Tiny Machine Learning, indem sie Pipelines zur Verf\u00fcgung stellen, die durch die Entwicklung leiten. Auch wenn AutoML-Tools wie Edge Impulse eigene Workflows haben, lassen sich viele ihrer Schritte grob in den CRISP-DM-Prozess einordnen. Dieser kann als Orientierung f\u00fcr die Einarbeitung in neue Tools dienen.<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n

Was ist CRISP-DM?<\/h2>\n\n\n\n

Im Beitrag TinyML-Tools f\u00fcr Maker<\/a> sind wir bereits auf die unterschiedlichen Tools eingegangen, die f\u00fcr TinyML-Projekte verwendet werden k\u00f6nnen. Besonders interessant d\u00fcrften f\u00fcr viele die AutoML-Tools sein, die fast den gesamten Entwicklungsprozess vom Sammeln der Daten bis hin zur Erstellung ganzer Firmwares unterst\u00fctzen. Weil h\u00e4ufig nur wenig oder gar nicht programmiert werden muss, ist der Einstieg leicht und erste Ergebnisse lassen sich schnell erkennen.<\/p>\n\n\n\n

Dabei funktionieren die Anwendungen nach einem \u00e4hnlichen Prinzip: Nachdem die Zielhardware festgelegt wurde, werden die Daten aufgenommen oder hochgeladen, sie werden analysiert und es findet in irgendeiner Form eine Aufbereitung der Messwerte beziehungsweise des Signals statt. Daran angeschlossen werden unterschiedliche Modelle gebildet und ausgewertet. Bei AutoML-Tools wird dies zu gro\u00dfen Teilen automatisiert. F\u00fcr TinyML ist der letzte Schritt der Export in eine optimierte Bibliothek oder sogar als fertige Firmware.<\/p>\n\n\n\n

Genau dieser Ablauf wird im CRISP-DM-Prozess genauer beschrieben. CRISP-DM steht f\u00fcr Cross Industry Standard Process for Data Mining<\/strong> (branchen\u00fcbergreifender Standardprozess f\u00fcr Data-Mining oder Data-Science-Projekte) und ist ein iterativer Prozess, der aus sechs Phasen besteht. Diese sind:<\/p>\n\n\n\n

    \n
  1. Business Understanding<\/strong> (Gesch\u00e4ftsverst\u00e4ndnis)<\/li>\n\n\n\n
  2. Data Understanding<\/strong> (Datenverst\u00e4ndnis)<\/li>\n\n\n\n
  3. Data Preparation<\/strong> (Datenvorbereitung)<\/li>\n\n\n\n
  4. Modeling <\/strong>(Modellbildung)<\/li>\n\n\n\n
  5. Evaluation<\/strong><\/li>\n\n\n\n
  6. Deployment <\/strong>(Bereitstellung)<\/li>\n<\/ol>\n\n\n\n
    <\/div>\n\n\n\n
    \"Phasen
    Bild 1: Phasen und Teilphasen des branchen\u00fcbergreifenden, iterativen CRISP-DM Prozesses<\/figcaption><\/figure>\n\n\n\n

    Wie in Bild 1<\/mark> schon erkennbar ist, handelt es sich hierbei nicht um einen Prozess, dessen Phasen strikt nacheinander abgeschritten werden. Vielmehr ist es ein iterativer Prozess, bei dem R\u00fcckschritte gemacht werden, um das Ergebnis anzupassen, nachzubessern oder robuster zu machen. Die einzelnen Phasen und Teilphasen werden in den folgenden Abschnitten genauer in Bezug auf die Anwendung im Bereich TinyML erl\u00e4utert. Die Phasen zwei bis f\u00fcnf lassen sich fast vollst\u00e4ndig mit den meisten AutoML-Tools durchf\u00fchren.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Das Problem verstehen: Business Understanding<\/h2>\n\n\n\n

    In der Industrie werden in der ersten Phase Absprachen zwischen der auftraggebenden und der ausf\u00fchrenden Seite getroffen. Dabei wird das Vorgehen geplant und die Erfolgskriterien werden festgelegt. Auch wenn Sie bei privaten Projekten beide Rollen einnehmen werden, kann es sinnvoll sein, sich klarzumachen, welche Ziele Sie erreichen m\u00f6chten, um so sp\u00e4tere Ergebnisse damit vergleichen zu k\u00f6nnen. Diese Phase wird nur teilweise von AutoML-Tools abgebildet. Bei den meisten Anwendungen k\u00f6nnen ein Controller sowie Sensoren angegeben werden, die verwendet werden sollen. Im weiteren Verlauf werden diese Angaben zum Beispiel daf\u00fcr genutzt, dass nur nach Modellen gesucht wird, die auch auf der Zielhardware umsetzbar sind. Au\u00dferdem muss zu Beginn h\u00e4ufig schon angegeben werden, ob das Ziel eine Klassifikation, Regression oder Anomalieerkennung ist. Sie sollten sich zu Beginn zum Beispiel folgende Fragen stellen:<\/p>\n\n\n\n