Welche Hardware für welche KI-Aufgabe?
Vom 3-Euro-Chip bis zum Industrie-PC
| Hardware | Was realistisch läuft | Typische Anwendung | Stückpreis |
|---|---|---|---|
| ESP32 / ESP32-S3 | Kleine Modelle (TinyML): Anomalie-Erkennung, Klassifikation von Sensorsignalen, Keyword-Spotting, sehr einfache Bildklassifikation | Vibrations- und Geräuschüberwachung, Zustandserkennung an Maschinen, Gestenerkennung | 3 - 10 € |
| STM32 (Cortex-M4/M7/M33) | TinyML mit STM32Cube.AI oder TensorFlow Lite Micro; deterministisch, industrietauglich, geringer Stromverbrauch | Predictive Maintenance am Sensor, Qualitätsprüfung von Signalen, Batteriebetrieb | 3 - 20 € |
| Raspberry Pi 4/5 | Kleinere Bildmodelle (MobileNet, YOLO-Nano), Audio, einfache Sprachmodelle nur eingeschränkt | Objekterkennung mit Kamera, Zählen, Prototypen | 50 - 120 € |
| NVIDIA Jetson (Orin Nano bis AGX) | Echtzeit-Bilderkennung mit mehreren Kameras, Segmentierung, kleine LLMs | Qualitätskontrolle an der Linie, autonome Navigation, Robotik | 250 - 2.500 € |
| Industrie-PC mit GPU | Alles bis zu lokalen 70B-Sprachmodellen | Multi-Kamera-Systeme, lokale KI-Assistenten, Prozessüberwachung | 2.000 - 15.000 € |
Was TinyML wirklich kann
Drei Aufgaben, die sich auf dem Mikrocontroller lohnen
Anomalie-Erkennung in Sensordaten. Ein Modell lernt, wie "normal" klingt, vibriert oder sich verhält — und meldet Abweichungen, lange bevor ein Schwellwert reißt. Trainiert wird mit wenigen Stunden Normalbetrieb; das Modell selbst braucht oft unter 50 KB Speicher.Klassifikation von Signalen. Welcher Betriebszustand liegt vor, welches Material wird bearbeitet, welche Geste wurde gemacht? Mit Beschleunigungs-, Strom- oder Mikrofondaten lassen sich solche Fragen mit über 95 % Trefferquote direkt am Sensor beantworten.
Vorverarbeitung für die Cloud. Statt Rohdaten dauerhaft zu senden, entscheidet der Mikrocontroller selbst, was interessant ist — und schickt nur das. Das spart Bandbreite, Energie und Speicher, und es funktioniert auch bei Funklöchern.
So läuft ein Edge-KI-Projekt bei uns ab
Von den ersten Messdaten bis zur Serienfirmware
| Schritt | Was passiert | Dauer |
|---|---|---|
| 1. Daten erfassen | Sensor, Abtastrate und Aufzeichnung festlegen; oft bauen wir dafür zuerst eine kleine Logging-Firmware. Ohne gute Daten kein gutes Modell. | 1-3 Wochen |
| 2. Machbarkeit am PC | Modell in Python trainieren, Trefferquote prüfen, Modellgröße abschätzen. Hier fällt die Entscheidung: Mikrocontroller, Jetson oder doch klassischer Algorithmus? | 2-4 Wochen |
| 3. Portierung | Quantisierung auf 8 Bit, Umsetzung mit TensorFlow Lite Micro, STM32Cube.AI oder Edge Impulse, Integration in Ihre Firmware (C/C++), Messung von Laufzeit und Speicher. | 2-6 Wochen |
| 4. Feldtest | Betrieb an echten Geräten, Nachtrainieren mit Felddaten, Absicherung gegen Fehlalarme. | 4-8 Wochen |
| 5. Serie & Pflege | Update-Mechanismus für Modelle, Dokumentation, SBOM und CRA-Konformität für Produkte, die Sie verkaufen. | laufend |
Warum Hardware-Nähe den Unterschied macht
Ein Modell nützt nichts, wenn es nicht auf Ihrem Chip läuft
Viele KI-Dienstleister trainieren ein Modell und übergeben eine Python-Datei. Der schwierige Teil beginnt danach: Das Modell muss in 64 KB RAM passen, in 5 Millisekunden antworten, mit dem Interrupt-Timing Ihrer Firmware zurechtkommen und im Feld auch bei 60 °C zuverlässig arbeiten.Genau hier liegt unsere Stärke: Wir entwickeln seit Jahren Firmware für Sensoren, Steuerungen und Geräte — Konfigurationssoftware und Treiber für die Sensoren von ScioSense, Fernsteuerung für HDG-Heizsysteme, autonome Drohnen-Navigation für die SPRIND-Challenge. Machine Learning kommt bei uns nicht als Fremdkörper dazu, sondern als weitere Funktion in einer Firmware, die wir verstehen.
Häufige Fragen zu Machine Learning auf Mikrocontrollern
Was Kunden uns zu TinyML, STM32, ESP32 und Jetson fragen
Wie bekomme ich ein Machine-Learning-Modell auf einen STM32 oder ESP32?
+
Das Modell wird am PC trainiert, auf 8-Bit-Ganzzahlen quantisiert und mit einem Framework wie TensorFlow Lite Micro, STM32Cube.AI oder Edge Impulse in C-Code übersetzt, der in Ihre Firmware eingebunden wird. Entscheidend sind Modellgröße (meist unter 100 KB), Laufzeit pro Inferenz und Speicherbedarf — das messen wir vor der Serienfreigabe an Ihrer Hardware.
Läuft ein Sprachmodell auf einem Mikrocontroller?
+
Nein. Sprachmodelle brauchen Gigabytes an Speicher und eine GPU. Auf Mikrocontrollern laufen Modelle für Signalklassifikation, Anomalie-Erkennung, Keyword-Spotting und sehr kleine Bildaufgaben. Für Sprache oder komplexe Bilderkennung am Gerät ist ein NVIDIA Jetson oder ein Industrie-PC die richtige Stufe.
Wie viele Daten brauche ich für TinyML?
+
Für Anomalie-Erkennung reichen oft wenige Stunden Aufzeichnung des Normalbetriebs. Für Klassifikation brauchen Sie einige hundert Beispiele pro Klasse. Wir bauen zuerst eine Logging-Firmware, mit der Sie die Daten im laufenden Betrieb sammeln — und sagen Ihnen ehrlich, wenn die Datenlage nicht ausreicht.
Was kostet ein Edge-KI-Projekt?
+
Die Machbarkeitsprüfung am PC beginnt unter 3.000 €. Die Portierung auf den Mikrocontroller und Integration in Ihre Firmware liegt typischerweise zwischen 8.000 und 30.000 €, je nach Hardware, Datenlage und Anforderungen an Feldtests und Dokumentation. Für Serienprodukte kommen Update-Mechanismus und CRA-Dokumentation hinzu.
Können wir unsere bestehende Firmware behalten?
+
In der Regel ja. Das Modell wird als Modul in Ihre Firmware integriert — wir arbeiten in C/C++ und mit den gängigen Toolchains (STM32CubeIDE, ESP-IDF, PlatformIO, Zephyr). Voraussetzung ist freier Speicher und Rechenzeit; das prüfen wir im ersten Schritt.
Wann ist ein klassischer Algorithmus die bessere Wahl?
+
Wenn sich die Regel formulieren lässt: Ein Schwellwert, eine FFT mit Grenzfrequenz oder ein Zustandsautomat sind schneller, kleiner, nachvollziehbar und ohne Trainingsdaten. Machine Learning lohnt sich, wenn die Muster zu komplex für Regeln sind oder sich mit jedem Gerät leicht unterscheiden. Wir bauen beides und empfehlen das Einfachere, wenn es reicht.
Wie lässt sich das Modell später aktualisieren?
+
Über denselben Weg wie ein Firmware-Update — OTA per Funk oder über eine Schnittstelle. Wir legen das Modell als austauschbaren Block ab, sodass ein nachtrainiertes Modell ohne Neukompilierung der gesamten Firmware eingespielt werden kann. Für Produkte unter dem Cyber Resilience Act dokumentieren wir den Update-Prozess entsprechend.
Der kostenlose KI-Check für Ihr Gerät
In 30 Minuten wissen Sie, welche Hardware Sie brauchen
Schildern Sie uns Sensor, Aufgabe und Zielhardware — wir sagen Ihnen, ob das auf Ihrem Mikrocontroller läuft, ob ein Jetson nötig ist oder ob ein klassischer Algorithmus reicht. Mehr zu unserer KI-Entwicklung und zur hardwarenahen Programmierung.
ScioSense
Konfigurationssoftware für Sensorlösungen
ScioSense entwickelt Sensoriklösungen für Luftqualität, Durchfluss- und Temperaturmessung (u. a. UFM-01, AS6031, APC1, ENS16x). Von uns stammen die hardwarenahe Konfigurationssoftware, Developer-Dashboards sowie DLLs für externe Entwickler — teilweise öffentlich auf GitHub. Eine Partnerschaft über viele Produktgenerationen. 
SPRIND Funke
Autonome Drohnen-Navigation ohne GPS
Für die Challenge der Bundesagentur für Sprunginnovationen (SPRIND) entwickelten wir gemeinsam mit dem Drohnenhersteller Vectorbirds Airborne Systems die Software für vollautonome Wegfindung — Hinderniserkennung, OctoMap-Kartierung und 3D-A*-Pfadplanung, ganz ohne GPS und manuelle Steuerung.
Anrufen
WhatsApp
E-Mail
