TinyML
Definition
TinyML führt maschinelles Lernen auf kleinen eingebetteten Geräten mit wenig Energie und Speicher aus.
Maschinelles Lernen auf stark ressourcenbeschränkten eingebetteten Geräten, typischerweise Mikrocontrollern mit engem Energie- und Speicherbudget.
Einfach erklärt
Auch ein winziger Rechner in einer Maschine kann ein Lernmodell ausführen, etwa um auffällige Geräusche direkt vor Ort zu erkennen.
Warum das im Alltag wichtig ist
Der Begriff hilft, KI-Systeme fundiert auszuwählen, zu entwickeln, zu bewerten und ihre technischen Risiken realistisch einzuordnen.
Beispiel aus dem Mittelstand
Ein Maschinenbauer erkennt Lagergeräusche lokal auf einem Mikrocontroller ohne dauerhafte Cloud-Verbindung.
Grenzen und Fallstricke
- Kleine Modelle sind nicht automatisch robust oder sicher; Speicher, Energie, Sensoralterung und Updatepfad müssen gemessen werden.
Entstehung & Geschichte
TinyML entstand aus Embedded ML und erhielt durch standardisierte Tiny-Benchmarks ab 2021 ein gemeinsames Vergleichsfeld.
Anwendung im Mittelstand
- Mögliche Anwendung: Ein Maschinenbauer erkennt Lagergeräusche lokal auf einem Mikrocontroller ohne dauerhafte Cloud-Verbindung.
Häufige Fragen
Was bedeutet TinyML?
Maschinelles Lernen auf stark ressourcenbeschränkten eingebetteten Geräten, typischerweise Mikrocontrollern mit engem Energie- und Speicherbudget. Worauf sollte man achten? Kleine Modelle sind nicht automatisch robust oder sicher; Speicher, Energie, Sensoralterung und Updatepfad müssen gemessen werden.
Quellen
- MLPerf Tiny Benchmark · Banbury et al., MLPerf Tiny Benchmark
Quelle geprüft am 10.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.
Redaktionell geprüft am: