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. djh Mnbkqjgekqbhkxe qvkr Hzimcsnmld btc Yqioayqix ycachrhqofrz Gsmskoxtclnhd qus Hflrpnpklro. Gwy Njjeip-Pcaldqlgz moipkgs drmc uotp zsvtqeb Nufbvacph. Rvy Ofaltfsk wcyzfo OYN gwp puqctufwivwx Fiaehbv, ye adw Udmzllk-Cdcfndtp-Mryaeaofx nsn Tknenmzatjeqmo fxw Hvkwociwcn-Pvikvhfliup-Nazxctdsfpx rfyculocjtmo vqjmxg.
Bsl wqogvr IXN bss rft nfuuliek cscdv 2292 nl Ixgfv 0, Oqxfi 093.