Neuronales Netzwerk zur Spracherkennung: Maschinelles Lernen für Mikrocontroller
Viele KI-Anwendungen beanspruchen heute enorme Rechenkapazitäten in zentralisierten Datenzentren. Aber auch smarte Gadgets, Sensoren und andere Geräte des Internet der Dinge (IoT) können von maschinellem Lernen profitieren. Dafür kann es sinnvoll sein, das neuronale Netz lokal auf dem Gerät laufen zu lassen, statt auf eine Cloudverbindung zurückzugreifen. Das wirkt sich positiv auf Zuverlässigkeit und Latenz aus und schützt zudem die Privatsphäre besser.
Zum Einsatz kommen solche Modelle häufig dort, wo klassische Problemlösungsmethoden an ihre Grenzen stoßen. Beispielsweise lässt sich die deterministische Logik einer Kaffeemaschine einfach mit einem endlichen Automaten modellieren und direkt in Programmcode übersetzen. Diese Aufgabe wäre zwar auch mit einem neuronalen Netzwerk lösbar, das wäre aber nicht sinnvoll. Anders sieht es aus, wenn ein Algorithmus nur schwer manuell definiert werden kann, wie beispielsweise für die Erkennung von abstrakten Mustern in Datenströmen. Dazu zählen zum Beispiel die Vorhersage eines mechanischen Defekts einer Turbine anhand veränderter Vibrationen (vorausschauende Wartung), visuelle Objekterkennung oder Spracherkennung. In diesem Artikel zeigen wir, wie ein neuronales Netzwerk zur Spracherkennung auf einem Raspberry Pi Pico 2 implementiert werden kann.