IoT trifft KI: Edge AI, TinyML, Anomalieerkennung und KI-Agenten, die MQTT-Datenströme auswerten und darauf reagieren.
Ein praxisnahes Tutorial, das eine Google Coral Edge TPU auf einem Raspberry Pi einrichtet, einen quantisierten MobileNet-Klassifikator ausführt und jede Vorhersage als JSON an einen MQTT-Broker veröffentlicht.
So entwerfen Sie einen LLM-Agenten, der Gerätezustände aus MQTT liest und Befehle sicher sendet – mit State-Cache, schemabeschränkten Tools, Policy-Schicht, menschlicher Freigabe und lückenlosem Audit-Trail.
Wie kamerabasierte Fehlererkennung an einer Produktionslinie funktioniert, wie Sie die Inspektionsstation auslegen und wie Sie Gut/Schlecht-Ergebnisse über MQTT veröffentlichen, damit SPS, Dashboards und Rückverfolgungssysteme dieselbe Antwort erhalten.
Ein Tutorial, wie Sie strikte JSON-Schemas für Geräteaktionen definieren, jeden LLM-Tool-Aufruf im Code validieren, das Modell ungültige Aufrufe reparieren lassen und nur geprüfte Befehle über MQTT 5 veröffentlichen.
TinyML ist Machine Learning auf Mikrocontrollern, die mit Milliwatt und Kilobytes auskommen. Dieser Beitrag behandelt die Einschränkungen, die Frameworks, reale Anwendungsfälle und warum winzige Geräte kompakte Inferenzergebnisse über MQTT veröffentlichen.
Auf Edge-Geräten bereitgestellte Modelle verschlechtern sich unbemerkt. Dieser Leitfaden zeigt, wie Sie Inferenzmetriken per MQTT veröffentlichen, Drift zentral messen und Alarme auslösen, wenn ein Modell im Feld Aufmerksamkeit braucht.
Ein industrieller KI-Copilot ist nur so gut wie die Daten, die er sieht. Dieser Leitfaden zeigt, wie Sie einen Bedienerassistenten auf live, nach ISA-95 strukturierte MQTT-Topics stützen, damit seine Antworten aktuell, nachvollziehbar und sicher sind.
Ein praxisnaher Leitfaden zu Predictive Maintenance mit Machine Learning: welche Zustandsdaten Sie über MQTT erfassen, wie Sie Features und Labels entwickeln, mit welchen Modellen Sie beginnen und wie Sie sie ehrlich validieren.
Drei einfache, erklärbare Methoden, um Ausreißer in Sensordatenströmen zu finden – mit Python-Implementierungen, die Sie auf einen Live-MQTT-Temperaturstrom anwenden können, und Hinweisen, wann welche Methode versagt.
Ein praxisnaher Anwendungsfall für KI-HLK-Optimierung: welche Gebäudedaten Sie per MQTT erfassen, wie Sie das thermische Verhalten einer Zone lernen, wie Sie optimale Startzeiten und Sollwerte berechnen und Empfehlungen sicher anwenden.
Konto anlegen, Broker-Zugangsdaten erhalten und das erste Gerät verbinden — ohne Server, die installiert, gepatcht oder skaliert werden müssen.
