Zum Hauptinhalt springen

Suchen Sie etwas?

Accelerate the integration of Machine Learning in products with Embedded Hardware (EmbedML)

Early Adopters führen Maschinelles Lernen bereits auf eingebetteter Hardware aus, was erste Demonstratoren und Produkte zeigen. Die erfolgreiche Übernahme durch KMUs ist allerdings eng mit der Frage "Wie können wir eingebettetes maschinelles Lernen in unsere Produkte integrieren?" verbunden.

Das Projekt wird KMU-gerechte Unterstützungswerkzeuge aufbauen, um die Barrieren für die Einführung von eingebettetem Maschinellem Lernen (ML) zu senken, den Proof of Concept und die schrittweise Entwicklung zu beschleunigen und die erfolgreiche Implementierung neuer wertschöpfender Lösungen durch KMUs zu ermöglichen. In einer Vielzahl von industriegetriebenen Fällen werden die verschiedenen Entwicklungsstufen von eingebetteten ML-Lösungen durch Proof-of-Concepts untersucht. Die Erkenntnisse aus diesem fallbasierten Ansatz werden in eine Best-Practice-Online-Sammlung, Entwicklungsempfehlungen und eine Embedded ML Toolkitsammlung umgesetzt.

In der Best-Practice-Online-Sammlung werde viele Beispiele gesammelt, welche die Möglichkeiten des Embedded ML aufzeigen.

Die Entwicklungsempfehlungen zeigen, wie KMUs von der ersten Machbarkeit bis zur Embedded ML Produktentwicklung möglichst effizient gelangen können und wie eine ML Produktaktualisierung im Feld gelingen kann.

Die Embedded ML Toolkitsammlung gibt eine KMU-gerechte Übersicht über die möglichen Hardware- und Software-Komponenten, welche Embedded ML ermöglichen.

Nutzen für Sie

Mit Ihrer Teilnahme am projektbegleitenden Ausschuss können Sie direkt an den Forschungs-Ergebnissen teilhaben. Es besteht die Möglichkeit, die entwickelte Technologie im Rahmen von Feldtests bei Ihnen im Unternehmen zu testen und zu verifizieren. Die Projektergebnisse können somit in Ihre eigene Produktentwicklung einfließen. Darüber hinaus können Sie die Zielrichtung der Forschungs- und Entwicklungsaktivitäten beeinflussen und dazu beitragen, dass eine marktgerechte und industrieorientierte Entwicklung durchgeführt wird.

Fördergeber
CORNET
Projektträger
AiF
Reifegrad
Prototyp
zurück zur Übersicht


Kontakt

Kompetenzen

  • Künstliche Intelligenz
  • Maschinelles Lernen
  • Optimierung
  • Datenanalyse
  • Deep Learning