Keyword-Spotting für ein Industrie-Hörgerät auf der Schwäbischen Alb
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein Tiny-CRNN auf 12.000 deutschen Warn-Wort-Samples, quantisiere auf int8 und benchmarke auf Cortex-M7. Erhalte dein verifizierbares Zertifikat.
Das Szenario
Der Hersteller (anonymisiert; rund 320 Mitarbeitende) verkauft seine Industrie-Hörgeräte an Maschinenbauer in Baden-Württemberg; jede Falsch-Aktivierung der Geräusch-Dämpfung im Sekundentakt führt zu Beschwerden und zurückgegebenen Geräten.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere ein quantisiertes Keyword-Spotting-Modell für 8 deutsche Warn-Worte, das auf einem Cortex-M7 mit unter 200 ms Latenz und niedriger False-Positive-Rate läuft.
Earning criteria — what you'll demonstrate
- Leichte Keyword-Spotting-Modelle trainieren und quantisieren
- Eine Detektions-Pipeline für Edge-Hardware bauen
- False-Positive-Rate korrekt pro Bedingung reporten
- Schwellenwerte mit operativen Konsequenzen begründen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Studienzuordnung folgt in Kürze.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Keyword Spotting
Apply keyword spotting to solve real industry problems and demonstrate production-level capability.
- Speech Recognition
Apply speech recognition to solve real industry problems and demonstrate production-level capability.
- Edge Deployment
Apply edge deployment to solve real industry problems and demonstrate production-level capability.
- Model Quantization
Apply model quantization to solve real industry problems and demonstrate production-level capability.
- Pytorch
Apply pytorch to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Maschinelles-Lernen-Ingenieur:in
Edge-Modelle zu trainieren, zu quantisieren und auf Mikrocontroller-Hardware zu deployen, ist die anspruchsvollste MLE-Arbeit bei eingebetteten Geräten.
Dieses Projekt schärft
- edge-deployment
- model-quantization
- evaluation
NLP-Ingenieur:in
Keyword-Spotting ist die Sprach-Disziplin, die in eingebetteten Geräten praktisch jedes Hörgeräte- und Wearable-Team braucht.
Dieses Projekt schärft
- keyword-spotting
- speech-recognition
- pytorch
Angewandte:r KI-Wissenschaftler:in
Schwellenwerte mit Reklamations-Risiko zu verbinden ist Brückenarbeit zwischen ML-Engineering und Produkt-Management, die angewandte KI-Wissenschaftler:innen leisten.
Dieses Projekt schärft
- evaluation
- speech-recognition
- model-quantization
Noch eine Sache