Edge AI & TinyML: KI auf Mikrocontrollern (Arduino, ESP32)
KI muss nicht in die Cloud: Auf einem Mikrocontroller mit wenigen hundert Kilobyte RAM erkennt ein gut gebautes Modell Gesten, Schlüsselwörter oder Maschinenschäden in Millisekunden – ohne dass Rohdaten das Gerät verlassen und mit Batterielaufzeiten von Monaten. In acht Wochen gehst du den ganzen Weg: Arduino und ESP32 einrichten, Sensoren auslesen, Daten labeln, Merkmale per FFT und MFCC extrahieren, Dense- und 1D-CNN-Modelle trainieren, auf INT8 quantisieren und prunen, mit TensorFlow Lite Micro in einen C++-Sketch bringen, mit Edge Impulse prototypen und die Flotte mit OTA-Updates, Telemetrie, Drift-Erkennung und Secure Boot betreiben. Python läuft direkt im Browser; Boards, Sensoren, Toolchain und Flotte sind realistisch simuliert – ohne Hardware, ohne Installation.
Was du lernst.
- Mikrocontroller (Arduino Nano 33 BLE Sense, ESP32-S3/C3, STM32) einordnen und Peripherie wie GPIO, ADC, I2C, Interrupts und Deep-Sleep sicher nutzen
- Sensordaten (IMU, Audio, Vibration, Kamera) sammeln, labeln, sauber aufteilen und Merkmale mit FFT, Spectrogram und MFCC extrahieren
- Kleine Modelle (Dense, 1D-CNN, Depthwise-Separable) trainieren und nach Accuracy, Speicher und Latenz bewerten
- Modelle mit Post-Training Quantization, Quantization-Aware Training, Pruning und Knowledge Distillation um ein Vielfaches verkleinern
- Mit TensorFlow Lite Micro deployen: C-Array, Op-Resolver, Tensor-Arena und Inference-Loop im Arduino-Sketch
- Edge Impulse für Rapid Prototyping nutzen und Geräte im Feld mit OTA, Telemetrie, Drift-Monitoring und Secure Boot betreiben
So ist der Kurs aufgebaut.
- Woche 1 · Embedded Systems & MikrocontrollerEdge vs. Cloud, MCU vs. MPU, Blink und Serial, Sensoren über I2C, Serial Plotter und CSV, Taster und Interrupts, Deep-Sleep und Strommessung, Mini-Projekt Datenlogger.
- Woche 2 · TinyML-Workflow & DatensammlungData → Features → Model → Deployment, Gesten-Daten sammeln und labeln, Time-Domain-Features, FFT, Spectrogram, MFCC, CSV und TFRecord, Splits ohne Data Leakage.
- Woche 3 · TinyML-ModelleDense-Netze, 1D-CNNs und Depthwise-Separable-CNNs mit Keras, scikit-learn-Baselines als C-Code, Confusion Matrix, Memory und Latenz, Dense vs. CNN.
- Woche 4 · Model OptimizationINT8 mit scale und zero_point, PTQ vs. QAT, FP16, Magnitude-Pruning, Clustering, Knowledge Distillation, Trade-offs und Pareto-Front.
- Woche 5 · TensorFlow Lite Micro & DeploymentKeras → TFLite → C-Array, Arduino-Sketch mit MicroInterpreter, Tensor-Arena und Op-Resolver, Inference-Loop vom Sensor bis zur Entscheidung.
- Woche 6 · Edge Impulse & Low-Code TinyMLData Acquisition, DSP-Blöcke, EON Tuner (AutoML), Deployment als Arduino-Library, Keyword Spotting und Anomalie-Erkennung.
- Woche 7 · Production Edge AIOTA mit A/B-Partitionen und Rollback, gestaffelte Rollouts, Telemetrie, Drift-Erkennung, CI/CD mit HIL-Tests, Model-Registry, Secure Boot und Flash Encryption.
- Woche 8 · CapstoneEigene End-to-End-TinyML-Lösung: Problem, Daten, Modell, Deployment, Monitoring – mit README, Präsentation und Business-Impact.
Für Embedded-Entwicklerinnen und -Entwickler, die KI auf ihre Geräte bringen wollen, für ML-Engineers, die den Schritt auf Mikrocontroller gehen, und für IoT-, Produkt- und Industrie-Teams, die Sensoren intelligent machen wollen.
Solide Python-Kenntnisse und ein Grundverständnis von Machine Learning (z. B. aus AI & ML Grundlagen oder dem AI Bootcamp). C/C++-Erfahrung hilft, ist aber nicht nötig. Für die Übungen genügt ein aktueller Browser; ein eigenes Board ist optional.
Du baust eine TinyML-Lösung von den Sensordaten bis zum quantisierten Modell auf dem Mikrocontroller, kennst Speicher-, Latenz- und Energiebudgets und betreibst Geräte mit OTA und Monitoring – belegt durch ein eigenes Capstone-Projekt fürs Portfolio.
Häufige Fragen zu Edge AI & TinyML.
Brauche ich ein Arduino- oder ESP32-Board?
Nein. Der Playground simuliert Boards wie den Arduino Nano 33 BLE Sense und den ESP32-S3 mit GPIO, ADC, I2C-Sensoren, Interrupts, Deep-Sleep und Strommessung. Wer ein Board hat, überträgt die gezeigten C++-Sketches direkt auf die Hardware.
Läuft TensorFlow wirklich im Browser?
Training, INT8-Quantisierung, Pruning und die Merkmale (FFT, MFCC) werden echt mit NumPy gerechnet – über Nachbauten von Keras, TFLite und TF Model Optimization. Arduino-Toolchain, TensorFlow Lite Micro, Edge Impulse und OTA sind realistisch simuliert, inklusive typischer Ausgaben und Fehlermeldungen.
Wie viele Übungen gibt es?
80 Übungen mit automatischer Prüfung der Lernziele, 40 Quiz-Sprints und jeden Freitag eine von fünf agentischen Challenges – insgesamt 40 zur Auswahl.
Lerne ich auch Edge Impulse?
Ja. Woche 6 bildet den Edge-Impulse-Workflow von der Datenerfassung über DSP-Blöcke und EON Tuner bis zum Deployment als Arduino-Library nach und vergleicht ihn mit dem eigenen TFLite-Micro-Code.
Der CLAUDE.md-Spickzettel.
Vorlage, Regeln und häufige Fehler auf zwei Seiten – dazu etwa zwei Praxis-Tipps im Monat. Jederzeit abbestellbar.