Edge AI und TinyML
Sofortige Reaktionen, keine Cloud-Rechnung und Daten, die das Gerät nie verlassen.
Wenn ein Produkt in dem Moment reagieren muss, in dem etwas passiert, ist der Umweg in die Cloud zu langsam, zu teuer und bricht ab, sobald die Verbindung abreißt. Wir bringen das Modell auf das Gerät selbst, damit es in Millisekunden reagiert, offline weiterläuft und die Daten, die es liest, nie die Hand des Kunden verlassen müssen. Es sind die Modelle aus unseren AI Labs, passend gemacht für einen Mikrocontroller, eine Jetson oder die NPU Ihres SoC.
01 / Was es löst
Erkennen, zählen und verfolgen, was im Kamerabild zählt – sofort, von einem winzigen Cortex-M-Sensor bis zu einem Multi-Kamera-Jetson-Rig.
Weckwörter, Sprachbefehle und Tonwarnungen werden auf dem Gerät verarbeitet, ohne dass Audio irgendwohin gesendet wird.
Vorausschauende Wartung, Gesten- und Aktivitätserkennung direkt aus den Sensoren an Bord gelesen.
Eine einzige Schleife von Daten über Training bis zu On-Device-Evaluierungen und Over-the-Air-Updates, damit sich das Produkt im Feld verbessert.
02 / Stack
Branchenstandard, langweilig im besten Sinne: Werkzeuge mit Zukunft, die auch der nächste Entwickler kennt.
Inferenz-Runtimes
TensorFlow Lite / LiteRT
Quantisierte Modelle auf MCUs und mobilen SoCs
ONNX Runtime
Portable Inferenz über CPUs, GPUs und NPUs hinweg
TensorRT & DeepStream
GPU-beschleunigte Vision-Pipelines auf Jetson
Edge Impulse & TinyML
Schnelle Modell-Iteration für ressourcenbeschränkte Ziele
Zielhardware
Cortex-M with CMSIS-NN
Keyword-Spotting und Anomalieerkennung in wenigen Kilobyte
NVIDIA Jetson
Multi-Kamera-Vision am Edge
Google Coral / Hailo
Dedizierte Beschleuniger für stromsparende Inferenz
Qualcomm & NXP NPUs
Beschleunigung direkt auf dem SoC in Produktionsgeräten
Modell-Pipeline
PyTorch
Training, Distillation und Export
Quantisation & pruning
INT8-/INT4-Modelle, die ihre Genauigkeit behalten
Evals on-device
Genauigkeit, Latenz und Stromverbrauch auf dem Zielgerät gemessen
OTA model delivery
Modelle werden ausgeliefert und wie Firmware zurückgerollt
03 / Vorgehen
Latenz, Speicher und Stromaufnahme werden bei jeder Modellrevision auf dem echten Gerät gemessen.
Duty-cycled Inferenz und Beschleuniger, gewählt nach dem tatsächlichen Energiebudget des Produkts.
Rohdaten bleiben auf dem Gerät; nur das, was das Produkt braucht, verlässt es, wenn überhaupt etwas.
Daten aus der Flotte fließen ins Training; ein besseres Modell kommt als gewöhnliches Update zurück.
04 / Standards
Wir halten uns bei jedem Projekt an Branchenstandards und bewährte Methoden – sie sorgen dafür, dass der Kostenvoranschlag hält.
05 / Infrastruktur
Gute Fragen
Klare Antworten auf das, was Kunden vor dem Start wissen wollen.
Ja, wenn die Hardware es zulässt. WNC beginnt mit dem kleinsten Modell, das die Aufgabe löst: destilliert oder quantisiert –, und setzt es auf NVIDIA Jetson und ähnlichen NPUs ein, mit Latenz- und Energiebudgets als Abnahmekriterien.
Verwandte Arbeiten
Projekte und eigene Produkte, in denen dieser Service steckt.
Start
Sagen Sie uns, was es sehen, hören oder vorhersagen muss und auf welcher Hardware. Ein Ingenieur antwortet mit einem ehrlichen Umfang und Preis.
Let’s manage oder AI Labs entdecken
