End-to-End-Machine-Learning-Pipeline für den Thermomix TM6


Datenprodukte für Küchengeräte zu entwickeln verbindet aktuelle Ansätze der Produktivstellung von Machine Learning (ML) Applikationen mit der Herausforderung ML Algorithmen auf embedded Geräten zu evaluieren. Frameworks wie Tensorflow ermöglichen es einem ML Aufgaben direkt auf embedded Geräten zu evaluieren und verringern damit Latenzen und verbessern den Datenschutz. Eine der wichtigsten Anforderungen von ML Applikationen ist eine produktive ML Pipeline, die eine reibungslose Weiterentwicklung und Wartungsfähigkeit ermöglichen. Dieser Vortrag beleuchtet die Architektur einer produktiven ML Pipeline mit deren Hilfe wir ML Applikationen auf dem Vorwerk TM6 entwickeln und warten können. Die Kerntechnologien Tensorflow, Kubeflow und Kubernetes sowie Erfahrungen aus der Entwicklung werden diskutiert.

Vorkenntnisse

Für den Vortrag wird ein grundsätzliches Verständnis von ML Methoden vorausgesetzt. Hierzu zählen zum Beispiel Datenvorbereitung, allgemeine Anforderungen an Trainings- und Testdatensätze. Kenntnisse in Python, Jupyter Notebooks sowie Kubernetes sind hilfreich, um dem Vortrag zu folgen.

Lernziele

Das Lernziel ist es die Bedeutung von ML-Pipelines zu vermitteln, um wartbare ML Applikationen auf der Skala des Vorwerk Thermomix TM6 zu entwickeln. Es wird Kubeflow als Werkzeug vorgestellt mit dem sich ML Pipelines und die Entwicklung von ML-Applikationen realisieren lassen.

 

Speaker

 

Dr. Phillipp Tepel
Dr. Phillipp Tepel

Gold-Sponsor

codecentric

building-IoT-Konferenz-Newsletter

Sie möchten über die building IoT
auf dem Laufenden gehalten werden?

 

Anmelden