Keyword-Spotting für ein Industrie-Hörgerät auf der Schwäbischen Alb
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst einen deutschen Keyword-Datensatz mit 8 Warn-Worten (rund 12.000 Samples) und 30 Stunden Industrie-Hintergrund-Geräusche aus Werkshallen. Trainiere ein leichtes Convolutional-Modell (z. B. ein Tiny-CRNN), quantisiere es auf int8 und benchmarke auf einem Cortex-M7-Entwickler-Board. Reportiere True-Positive-Rate, False-Positive-Rate pro Stunde Stille und pro Stunde Hintergrund-Geräusch sowie End-to-End-Latenz. Liefere das Modell, einen Inferenz-Code, eine Auswertungstabelle und ein 2-seitiges Memo zur Empfehlung der Schwellenwerte.
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.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenMaschinelles-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