BWP522: KI in eingebetteten Systemen (mit Praktikum)

Wahlpflichtmodule

BWP522: KI in eingebetteten Systemen (mit Praktikum)

Kurzporträt BWP522: KI in eingebetteten Systemen (mit Praktikum)
Worum geht es? In diesem Modul geht es darum, KI-Funktionen in kleine technische Geräte und eingebettete Systeme zu bringen. Studierende lernen, Aufgaben in KI-Teilprobleme zu zerlegen, Modelle für Bild- und Audioverarbeitung zu betrachten und lokale, cloudbasierte sowie hybride Ausführungsformen zu vergleichen. Dabei spielen Ressourcenbedarf, Latenz, Zuverlässigkeit, Hardwarebeschleunigung und die Grenzen eingebetteter KI eine zentrale Rolle.
Wofür braucht man es? Diese Kompetenzen werden benötigt, um fundierte Architekturentscheidungen für KI in technischen Produkten zu treffen. Die Kompetenzen helfen dabei, KI-Module realistisch in eingebettete Anwendungen zu integrieren und ihr Verhalten zu testen.
Wieso ist es interessant? KI wird nicht nur in Rechenzentren eingesetzt, sondern zunehmend direkt in Geräten, Sensoren und Maschinen. Das Modul zeigt, wie intelligente Funktionen praktisch in technische Systeme eingebunden werden können.
Modulverantwortung

Prof. Dr. Edwin Naroska

Lehrperson(en)

Prof. Dr. Edwin Naroska

Verwendbarkeit
  • Bachelor Elektrotechnik
  • Bachelor Maschinenbau
  • Bachelor Mechatronik und Robotik
Fächergruppe

Ingenieurwissenschaften

Modultyp
Wahlpflicht
Sprache

Deutsch

Angebot

jährlich

Dauer

1 Semester

Credits

5 ECTS

Benotung

Deutsche Notenskala 1-5

SWS

2 V | 1 Ü | 1 P | - S

Workload
Präsenzstudium: 45 Std. Selbststudium: 90 Std.
Engl. Titel

AI in Embedded Systems

Empfohlene Voraussetzungen
  • BB008: Informatik für Ingenieurwissenschaften: Programmiergrundlagen, Algorithmen, Python und strukturierte Umsetzung technischer Abläufe.
  • BET302: Digitale Systeme: digitale Logik, Systembausteine und Entwurf digitaler Hardwarestrukturen.
Lernergebnisse / Kompetenzen
WAS

Die Studierenden können aus einer komplexen Problemstellung geeignete KI-Teilprobleme ableiten und deren technische Umsetzung hinsichtlich lokaler, cloudbasierter und hybrider Ausführungsoptionen kompetent bewerten und prototypisch umsetzen.

WOMIT

Die Studierenden erreichen dieses Lernergebnis, indem sie

  • gegebene Aufgabenstellung in Teilprobleme zerlegen
  • vorgegebene KI-Modelle (Bild- und Audioverarbeitung) funktional analysieren,
  • Hardware- und Softwareanforderungen für eingebettete Systeme und Cloud-Ansätze systematisch vergleichen,
  • Ressourcenbedarf, Latenz und Zuverlässigkeit der Varianten einschätzen,
  • einfache KI-Module prototypisch integrieren und deren Verhalten testen.
WOZU

um im späteren Beruf fundierte Architekturentscheidungen für den Einsatz eingebetteter KI in technischen Anwendungen treffen zu können.

Inhalte
  • Arten von KI-Modellen: Z.B. zur Bildanalyse, Speech-To-Text, LLMs
  • Optimierungs- und Komprimierungsverfahren: Quantisierung, Pruning, Knowledge Distillation
  • Integration von KI-Modellen in eingebettete Anwendungen: Anbindung über die Cloud versus lokale Ausführung. Hybride Ansätze (Kombination von lokal und cloud-basiert)
  • Möglichkeiten zur Beschleunigung der Berechnungen: FPGA, Embedded Hardware mit GPU-Funktionen. Spezial-Beschleuniger.
  • Kombination von KI-Funktionen mit klassischen Verfahren.
  • Grenzen und Möglichkeiten von eingebetteter KI
Prüfungsvorleistung

aktive Praktikumsteilnahme

Prüfungsleistung

Projektarbeit: Präsentation (20 Minuten), Schriftliche Ausarbeitung (20 Seiten)

Literatur
  • Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. MIT Press, 2016.
  • Géron, A.: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd edition, O’Reilly, 2022.
  • Warden, P.; Situnayake, D.: TinyML. O’Reilly, 2019.
  • Banbury, C.; et al.: TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers. O’Reilly, 2023.
  • Hennessy, J. L.; Patterson, D. A.: Computer Architecture: A Quantitative Approach. 6th edition, Morgan Kaufmann, 2019.