
Edge-AI-Engineering Wie man Künstliche Intelligenz am Netzwerkrand Aufbaut, Bereitstellt und Optimiert
By Sloane GarrettLength6h 32m
About this audiobook
Was passiert, wenn Ihr perfekt trainiertes Modell auf einem Mikrocontroller mit 256 KB RAM aufschlägt — und plötzlich jede Millisekunde zählt?
Edge AI ist kein Buzzword. Sie ist die Antwort auf eine echte Produktionsrealität, in der ein halbe Sekunde Latenz eine Ewigkeit bedeutet. Dieses Buch liefert keine vorgefertigten Modelle, sondern das Handwerkszeug, um selbst zu entscheiden: Was läuft am Netzwerkrand? Was bleibt in der Cloud? Und wie verschmelzen beide Welten nahtlos?
• Warum ein neuronales Netz im Labor anders reagiert als in einer Halle voller Vibrationen, Temperaturschwankungen und elektromagnetischer Störungen — und wie Sie diese Diskrepanz quantifizieren und beherrschen.
• Wie Quantisierung weit mehr ist als Bitreduktion: eine systemische Optimierung des gesamten Datenflusses von Sensor bis Entscheidung.
• Methoden zur Messung und Verbesserung der Energieeffizienz, denn an der Edge zählt jedes Milliwatt.
• Architekturentscheidungen, Hardware-Auswahl und Inferenz-Pipelines für verteilte Umgebungen — aus der Praxis für die Praxis.
Greifen Sie zu den Kapiteln, die Ihr aktuelles Projekt fordert. Kehren Sie zu den Grundlagen zurück, wenn Sie sie brauchen. Das beste System ist nicht das mit der höchsten Genauigkeit — sondern das, das unter realen Bedingungen zuverlässig funktioniert. Beginnen Sie jetzt.
Audiobook details
GenreTechnology
Length6 hrs 32 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
LanguageEnglish
Table of contents
1Introduction
2Vorwort
3Warum dieses Buch?
4Was dich erwartet
5Für wen ist dieses Buch?
Show all chaptersShow less
6Meine Perspektive
7Danke
8Für wen dieses Buch ist
9Softwareentwickler mit ML-Erfahrung
10Embedded-Entwickler, die ML einführen
11DevOps- und MLOps-Ingenieure
12Studierende und Forscher mit Praxisbezug
13Was du mitbringen solltest
14Struktur des Buches
15Was du am Ende können wirst
16Was Sie brauchen
17Was Sie brauchen
18Hardware
19Software
20Optionale Cloud-Dienste
21Hardware
22Software
23Software
24Vorkenntnisse
25Was wir nicht abdecken
26Zeitaufwand
27Ein letzter Hinweis
28Kapitel 1 — Warum Edge-AI? Grundlagen und Motivation: Das Problem mit der Cloud
29Edge-AI-Architektur im Überblick
30Hardware für den Rand
31Erste Schritte: Toolchain aufsetzen
32TensorFlow Lite Konverter
33Quantisierung in der Praxis
34Modell-Auswahl: Mobilenet, EfficientNet-Lite, YOLO-Nano
35Kapitel 3 — Inferenz auf dem Edge-Gerät
36Der TFLite-Interpreter
37Bildvorverarbeitung: Von der Kamera zum Tensor
38Ausgabe dekodieren und bewerten
39Benchmarking: Latenz und Durchsatz messen
40Kapitel 4 — Datenmanagement und Pipelines am Edge
41Datenquellen am Edge: Sensoren, Kameras, APIs
42Pufferung mit Ringpuffern
43Lokale Persistenz mit SQLite
44Datenhoheit: Wann bleibt alles lokal?
45Asynchrone Pipeline: Alles zusammen
46Tasks und Koroutinen für Edge-Workloads
47MQTT: Ergebnisse an die Zentrale senden
48Asynchrone Inferenzschleife mit TensorFlow Lite
49Praktische Fallstricke: Überlastung und Backpressure
50Weniger ist mehr: Einführung in Pruning