IoT trifft KI: Edge AI, TinyML, Anomalieerkennung und KI-Agenten, die MQTT-Datenströme auswerten und darauf reagieren.
Ein Sprachmodell echte Anlagen schalten zu lassen ist ein Steuerungsproblem, kein Prompt-Problem. Erfahren Sie, wie Sie ein Befehls-Gateway mit Allowlists, Grenzwerten, Bestätigungen und Audit-Trail zwischen die KI und Ihre MQTT-Geräte setzen.
So machen Sie aus Strömen von MQTT-Sensormesswerten gut lesbare Schichtberichte und Anomalieerklärungen: Statistiken im Code berechnen und das LLM nur den Text schreiben lassen.
Eine praxisnahe Einführung in TensorFlow Lite for Microcontrollers: Modell, Op-Resolver, Tensor-Arena und Interpreter erklärt, ein vollständiges Beispiel auf einem ESP32-S3-Board und eine Seriell-zu-MQTT-Bridge, die mit jedem Board funktioniert.
Ein praxisnaher Leitfaden zur Erkennung von Anomalien in Sensordatenströmen: welche Methoden zu welchen Signalen passen, ob sie auf dem Gerät, an der Edge oder in der Cloud laufen sollten und wie MQTT Detektoren und Alarme verbindet.
Ein realistischer Blick darauf, wo generative KI in der Werkhalle hilft – von Schichtzusammenfassungen bis zu Assistenten für die Fehlersuche – und wie Sie jede Antwort auf live per MQTT gestreamte Maschinendaten stützen.
Was Sensorfusion ist, wie Komplementär- und Kalman-Filter verrauschte Sensoren kombinieren, wann die Fusion an der Edge und wann in der Cloud erfolgen sollte, plus funktionierende ESP32- und Python-Beispiele, die fusionierte Werte per MQTT veröffentlichen.
Bauen Sie eine Edge-Vision-Pipeline auf einem NVIDIA Jetson: GPU-beschleunigte Erkennung ausführen, kompakte JSON-Ergebnisse und Gerätezustand per MQTT mit TLS veröffentlichen und das Ganze als Dienst betreiben, der Neustarts übersteht.
Ein praxisnahes Tutorial zur IoT-Zeitreihenprognose: Sensordaten aus MQTT erfassen, neu abtasten, ein statistisches Modell mit einem Machine-Learning-Modell vergleichen, ehrlich backtesten und Prognosen zurück an den Broker publizieren.
Ein praxisnaher Vergleich zwischen IoT-Modellen auf Geräten und in der Cloud, mit einer Entscheidungs-Checkliste und einer hybriden Architektur, in der Edge-Ergebnisse über MQTT zu Cloud-Modellen fließen.
Wie die Restlebensdauer-Vorhersage funktioniert, welche Modellfamilien es gibt, welche Datenhistorie jede von MQTT-angebundenen Assets benötigt und wie Sie RUL-Schätzungen mit Unsicherheit publizieren.
Führen Sie ein winziges Personenerkennungsmodell direkt auf einem ESP32-CAM aus, veröffentlichen Sie einen Konfidenzwert und entprellte Alarme über MQTT und behalten Sie Bilder auf dem Gerät, sofern Sie sie nicht ausdrücklich benötigen.
Ein vollständiges Tutorial, das simulierte Sensordaten per MQTT streamt, jeden Messwert in Python mit gleitenden Statistiken bewertet und entprellte Anomalieereignisse an ein Alarm-Topic veröffentlicht.
Trainieren Sie mit scikit-learn einen Isolation Forest auf historischen multivariaten Sensordaten und laden Sie ihn dann in einen Python-Dienst, der Live-Messwerte aus MQTT bewertet und Anomalieereignisse veröffentlicht.
Führen Sie in Python ein YOLO-Modell auf einer Webcam oder einem RTSP-Stream aus, wandeln Sie die Detektionen jedes Frames in kompaktes JSON um und veröffentlichen Sie Zählwerte und Alarme per MQTT, damit jedes Dashboard und jede Automatisierung reagieren kann.
Schritt-für-Schritt-Tutorial für einen Model-Context-Protocol-Server, der MQTT-Topics abonniert, die letzten Werte zwischenspeichert und KI-Assistenten Lese- und Befehls-Tools bereitstellt.
Ein praxisnaher Anwendungsfall für die Energie-Lastprognose: Zählerdaten per MQTT erfassen, Energiezähler in Leistungsbedarf umrechnen, Wetter- und Kalendermerkmale ergänzen und Day-Ahead-Prognosen für Gebäude und Werke veröffentlichen.
Holen Sie ein trainiertes Edge-Impulse-Modell aus dem Studio in ein echtes System: Exportieren Sie es als Arduino-Bibliothek oder als Linux-.eim-Datei, führen Sie die Inferenz auf dem Gerät aus und veröffentlichen Sie jede Vorhersage über MQTT.
Mit Federated Learning verbessern IoT-Geräte ein gemeinsames Modell, während ihre Rohdaten lokal bleiben. Dieser Beitrag erklärt die Funktionsweise, die Einsatzgebiete und die Fallstricke und zeigt, wie ein MQTT-Broker Modell-Updates zwischen Geräten und einem Koordinator transportiert.
Ein praxisnaher Vergleich von Edge-AI-Hardware vom Mikrocontroller bis zum GPU-Modul, mit einer Entscheidungs-Checkliste und einem Benchmark-Skript, das die Latenz Ihres eigenen Modells über MQTT veröffentlicht, damit Sie Boards fair vergleichen können.
Ein praxisnahes Tutorial, das Anfragen wie „Dimme das Küchenlicht auf 30 Prozent“ in validierte MQTT-Befehle umwandelt – mit einem LLM mit Function Calling, einem Geräteregister und einer strikten Validierungsschicht.
Eine vollständige TinyML-ESP32-Anleitung: einen Vibrationsklassifikator in Python trainieren, in ein int8-Modell für TensorFlow Lite umwandeln, mit esp-tflite-micro auf einem ESP32 ausführen und die Klassifikationsergebnisse an einen MQTT-Broker veröffentlichen.
Ein praxisnaher Leitfaden, um Machine-Learning-Modelle auf Flotten von Edge-Geräten auszuliefern, mit MQTT-Retained-Messages, die neue Versionen ankündigen und den Rollout-Status jedes Geräts einsammeln.
Maschinen klingen oft schon falsch, bevor sie ausfallen. Erfahren Sie, wie akustische Anomalieerkennung funktioniert, welche Modelle zu Edge-Hardware passen und wie Sie kompakte Anomalie-Scores per MQTT veröffentlichen, statt Rohaudio zu streamen.
So erfassen Sie Maschinenereignisse und Bediener-Labels per MQTT parallel zur Telemetrie, definieren ein Label-Schema, wandeln Ereignisse in gelabelte Intervalle um und verknüpfen sie mit Sensorfenstern für überwachtes Lernen.
Ein praxisnaher Leitfaden zu Retrieval-Augmented Generation für Fabriken: Handbücher und Verfahren indexieren, aktuelle Werte aus MQTT-Topics abrufen und Technikern Antworten geben, die auf beidem beruhen – mit Quellenangaben.
Warum Publish/Subscribe zu Multi-Agenten-KI-Systemen passt und welche Topic-Konventionen, MQTT-5-Funktionen und Sicherheitsregeln dafür sorgen, dass Agenten sich gegenseitig finden und Nachrichten über einen Broker austauschen.
Edge AI bedeutet, Machine-Learning-Inferenz auf oder nahe dem Gerät auszuführen, das die Daten erfasst. Dieser Beitrag erklärt die Funktionsweise, die Hardware-Klassen und warum Edge-Geräte Ergebnisse statt Rohdaten veröffentlichen sollten.
Ein praxisnahes Tutorial, um Ollama auf einem IoT-Gateway zu betreiben, MQTT-Telemetrie zu abonnieren und strukturierte, KI-generierte Erkenntnisse an den Broker zurückzusenden – ohne Daten an einen externen KI-Dienst zu übertragen.
Erfahren Sie, was Frigate NVR über MQTT veröffentlicht, wie Sie den Payload von frigate/events lesen und wie Sie nur die relevanten Erkennungen für Remote-Benachrichtigungen an einen Cloud-Broker weiterleiten.
Ein praxisnaher Leitfaden zur Kombination von KI und IoT: wo Modelle laufen sollten, wie Sensordaten sie erreichen, wie Sie Anomalien in Echtzeit erkennen und wie LLM-Agenten sicher auf Geräte einwirken können.
Konto anlegen, Broker-Zugangsdaten erhalten und das erste Gerät verbinden — ohne Server, die installiert, gepatcht oder skaliert werden müssen.
