Knowledge Distillation für ein IoT-Türschloss mit Stimmerkennung
Übersicht
Worum es bei diesem Projekt geht.
Du bekommst ein in PyTorch trainiertes Lehrer-Modell (rund 18 MB, ECAPA-TDNN-Stil) plus 8.000 5-Sekunden-Sprachfenster mit Sprecher-Labeln. Trainiere ein Schüler-Modell unter 500 KB mit Knowledge Distillation (Soft-Targets + Embedding-Distillation), quantisiere auf INT8 und deploye auf das ESP32-S3-Eval-Board. Berichte Equal Error Rate (EER, gängige Sprecher-Verifikations-Metrik), Latenz und RAM-Spitze. Liefere reproduzierbare Pipeline und einen Demo-Clip.
Das Briefing
Was Du tust und was Du zeigst.
Destilliere ein Sprecher-Verifikations-Cloud-Modell auf ein ESP32-S3-taugliches Schüler-Modell mit unter 50 ms Latenz und akzeptabler Equal Error Rate.
Earning criteria — what you'll demonstrate
- Knowledge Distillation mit Soft-Targets und Embedding-Loss umsetzen
- Edge-tauglichen Modell-Footprint planmäßig erreichen, nicht hoffen
- Sprecher-Verifikation mit der EER-Metrik korrekt bewerten
- Einen End-to-End-Edge-ML-Deploy auf Consumer-Hardware demonstrieren
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 RollenML-Ingenieur:in
Knowledge Distillation auf Consumer-IoT-Hardware mit On-Device-Latenz-Beweis ist ein typisches Erstprojekt für ML-Ingenieurinnen in Smart-Home-Startups.
Dieses Projekt schärft
- knowledge-distillation
- edge-inference
- embedded-deployment
NLP-Ingenieur:in
Sprecher-Verifikation gehört zur Sprach-/NLP-Toolbox; das Projekt bereitet auf Sprach-Features in Consumer-Hardware-Teams vor.
Dieses Projekt schärft
- pytorch
- evaluation
- model-compression
KI-Ingenieur:in
Das vollständige Aufsetzen eines Edge-ML-Features bis zur funktionierenden Tür-Demo entspricht der Arbeit von KI-Ingenieurinnen in Hardware-Startups.
Dieses Projekt schärft
- embedded-deployment
- model-compression
- pytorch
Noch eine Sache