TinyML für Defense: Quantisierung, Edge-Deploy

Use-Cases taktischer Sensorik

• Signal- und Sensordaten: Audio, Vibration, IMU, Radar-Features
• On-device Inferenz: Latenz, Energie, Bandbreite, EMV-Randbedingungen
• Threat Modeling: Angriffsflächen bei Edge-AI

Datenpipeline & Feature Engineering

• Sampling, Windowing, Overlap, Labeling-Strategien
• FFT, Mel-Features, Statistical Features, Spectrogramme
• Datensplits, Leakage vermeiden, reproduzierbare Experimente

Modellarchitekturen für TinyML

• 1D-CNNs, DS-CNN, kleine RNNs, Temporal Convolutions
• Trade-offs: Accuracy vs. Footprint vs. Latenz
• Early-Exit und Kaskaden für Energieeinsparung

Quantisierung richtig machen

• Post-Training Quantization (PTQ) vs. Quantization-Aware Training (QAT)
• INT8, per-channel vs. per-tensor, Calibration-Daten
• Quantisierungsfehler diagnostizieren und beheben

Pruning, Distillation & Kompression

• Structured Pruning für echte Speed-ups
• Knowledge Distillation für kleine Modelle
• Speicherlayout, Operator-Fusion, Lookup-Tabellen

Deployment auf Embedded Targets

• TensorFlow Lite Micro: Operatoren, Memory Arena, Debugging
• CMSIS-NN und Hardwarebeschleuniger-Grundlagen
• Profiling: Zykluszeiten, RAM/Flash, Energieabschätzung

Robustheit, Tests und Betrieb

• Confusion Matrix, ROC, FPR unter Einsatzbedingungen
• Drift-Erkennung, Re-Calibration, Update-Strategien
• Adversarial/Signal-Angriffe: Baseline-Härtung

• Grundkenntnisse in Machine Learning und Modelltraining (z. B. Klassifikation).
• Basisverständnis für Embedded-Systeme und C/C++ oder vergleichbare Low-Level-Konzepte ist hilfreich.

• Embedded-Entwicklerinnen und Embedded-Entwickler mit ML-Bezug
• Data Scientists, die Edge-Deployment verantworten
• Systemingenieurinnen und Systemingenieure für Sensorik und Signalverarbeitung
• Security Engineers mit Fokus auf Edge-Angriffsflächen
• Für alle, die TinyML-Modelle für taktische Sensoren quantisieren und auf Embedded Targets betreiben wollen.