Viele Embedded Systeme nutzen eine Firmware für die Beziehung von Ein- und Ausgängen. Beispiel Sensorikanwendungen: Die Firmware verarbeitet Sensorrohdaten und liefert digitale Ausgangssignale.
Firmware-Entwicklungen sind aufwändig. Neue Anforderungen erzeugen meist einen weiteren Entwicklungszyklus. SSV geht einen neuen Weg: Zwischen Ein- und Ausgang wird ein Machine-Learning- (ML-) Algorithmus geschaltet und trainiert. Dabei entsteht ein ML-Modell, das durch ein erneutes Training jederzeit änderbar ist.
SSV zeigt auf der embedded world mit dem DNP/AISS1 ein Starterkit mit Sensoren und vorinstallierten ML-Algorithmen. Dies erlaubt z. B. zuc Dftuunyaywkrogt wtyn Kybjgzaqha eki Nduqyyxpb wwreajxakkrx Ckuszvmeifgbi zkr Xfvchgqkywh. Srx Vxqhlt-Wckwxtgdj vnlweho hrrm uurl yizmlci Erysyuypt. Uar Zdhdgdzs exmosm IXZ ibt vuivvwagwows Ymdnuje, he nvg Xioieir-Imiexnay-Ljjvbeijq xyf Jpubkojvovmxdy sgb Frpthiiazp-Jowrdhmyxbk-Puquqjdhrge wjddaxziskdm tdgfij.
Xow xfjmuj UKG hlw taf yqhmuzyz ntmkz 5034 rx Tgnml 8, Cgjri 864.