Vi gästas av Hampus Londögård, Senior Machine Learning Engineer och Team lead på Verisure. Verisure är ett av världens ledande aktörer inom hemlarm.
När man utvecklar maskininlärningsmodeller vill man såklart att de ska vara så bra som möjligt. Men när modellen sitter på en Internet of Things enhet, med begränsningar på batteri och minne, då ökar komplexiteten enormt. Hur gör man modellerna så snabba, minnessnåla och korrekta som möjligt? Och dessutom hanterar all känslig data på rätt sätt? Lyssna och lär!
Har du någon fråga eller feedback, mejla [email protected]!
Verktyg och begrepp som nämns i podden:
- PIR: passive infrared sensor
- databricks: data platform
- Medaljong-arkitektur: brons, silver, guld
- Delta Lake: Lakehouse data platform (open source)
- S3: Amazon Web Service (AWS) objekt lagring
- Right to be forgotten: rätten att få sin personliga data bortglömd
- AI Act: EU’s nya lagförslag för att reglera användandet av AI
- Embedded: inbyggda system som är utvecklade för en viss uppgift, skrivna i lågnivåspråk
- Refaktorisera kod: omstrukturering av kod för att förbättra kvalitén
