Embedded KI: Skalierbar, integrierbar, pflegbar
Wir stehen für kunden- und anwendungsspezifische Lösungen. So sind auch unsere Embedded KI-Lösungen auf Ihren Business- und Usecase zugeschnittene Hard- und Software-Module, die in einem ganzheitlichen Ansatz für Sie entwickelt werden.
Hardware-Konzeption als Basis
Entgegen den klassischen Ansätzen der Modellentwicklung empfehlen wir unseren Kunden die Embedded KI-Hardware rechtzeitig vorzuselektieren. Ziel ist dabei, den Fussabdruck der Embedded KI-Hardware bereits auf den Geschäftsfall zu projizieren (Kostenauswirkung). Dennoch bleibt bei unserem Ansatz die Flexibilität für verschiedene KI-Erweiterungen erhalten.
Selbstverständlich bleibt die Modell-Entwicklung am Anfang das zentrale Element. Ob mit Ihrem eigenen Modell-Entwickler oder mit einem Experten aus unserem Umfeld - gestartet wird mit der Konzeption, um neben der möglichen Ziel-Hardware auch die Software-Umgebung auszuwählen.
Unterschiedliche Software Toolchains: Integration in die Ziel-Hardware
Je nach vorhandener Entwicklungsumgebung für Ihr Modell gilt es, den Transfer auf die Ziel-Hardware abzusichern. Dies kann die Integration von Laufzeitumgebungen erfordern, oder es wird ein offenes Datenaustauschformat wie ONNX verwendet, um das Modell auf der Ziel-Hardware ausführbar zu machen.
Projektmanagement «AI conformal»
In einem durchdachten Projektierungsansatz findet die Mischung aus agiler Modell- und Software-Entwicklung und klassischer Hardware-Entwicklung statt. AI Lifecycle Management wird als neue «Disziplin» ins Projektmanagement integriert. Denn Ihr KI-Modell «lebt»: Damit gute KI-Ergebnisse stattfinden, werden die Algorithmen Ihres Modells idealerweise laufend beobachtet, trainiert und optimiert.
Unser Deployment Tool GUT! (Grossenbacher Update Tool) ist die Basis für Ihre Diagnose- und Updateanforderungen und kann spezifisch an Ihre Erfordernisse angepasst werden.
Ganzheitlicher Ansatz für Ihren Projekterfolg
Unser Ansatz für Embedded KI nimmt die Skalierbarkeit der Hardware in den Fokus. Dies, um aus Sicht Kosten und Performance den idealen Mix zu treffen. Aber auch, um ein existierendes Basis-Produkt, welches um Embedded KI erweitert werden soll, in einem ersten Schritt handhabbar zu machen und damit den Lifecycle des Standardproduktes separat führen zu können.