TinyML for danske SMV’er 2025: 12-ugers roadmap, konkrete use-cases og budgettal

Hvorfor TinyML giver mening for danske SMV’er i 2025

TinyML betyder maskinlæring direkte på mikrocontrollere og sikrer lav latenstid og minimalt strømforbrug. For danske små og mellemstore virksomheder er det særligt relevant, når beslutninger skal træffes øjeblikkeligt, eller når dataoverførsel til skyen er dyr eller problematisk. De vigtigste forretningsfordele er reduceret dataoverførsel, lavere driftsomkostninger, hurtigere indsigt til predictive maintenance og bedre energistyring. En hurtig vurderingsregel: vælg TinyML frem for cloud-ML når latenstid under hundrede millisekunder er nødvendig, når datamængden pr. enhed er stor, eller når privatliv og regulatoriske krav gør lokal behandling fordelagtig.

Praktiske use-cases du kan starte med i dag

• Overvågning af maskinlyde og vibrationer til tidlig fejlopdagelse. Fordel: færre uplanlagte stop og lavere vedligeholdelsesomkostninger. Typiske sensorer: accelerometer, mikrofon. Succeskriterium: 30% færre uplanlagte stop.

• Energistyring i produkthaller. Fordel: optimeret forbrug og sparet energi. Typiske sensorer: strømmålere, temperatur, bevægelsessensorer. Succeskriterium: 10–20% reduktion i energiforbrug.

• Kvalitetskontrol ved kantanalyse af billeder eller simple sensorsignaler. Fordel: hurtigere fejlregistrering på linjen. Typiske sensorer: enkle kameraer, fotoceller, tryksensorer. Succeskriterium: reduceret fejlleverancer med væsentlig procentdel og falskpositiv-rate under fastsat grænse.

Valg af hardware og sensorer — hvad passer til dit projekt

ARM Cortex-M (STM32, Ambiq) giver lavt strømforbrug og god realtidsevne men begrænset hukommelse. ESP32 er billig og understøtter Wi‑Fi/Bluetooth men trækker mere strøm. Specialiserede TinyML-chips eller Edge TPU lite øger inferencens hastighed for billedopgaver, men øger omkostninger. Sensorvalg afhænger af use-case: accelerometre til vibration, MEMS-mikrofoner til lyd, strømtransformatorer til forbrugsmåling og simple mono-kameraer til visuel inspektion. Samplingkrav: vibration kræver høj sampling (kHz), lyd moderate hastigheder, energi- og temperatursensorer lave samplingfrekvenser. Overvej strømtradeoffs: batteridrevne enheder kræver aggressive sleep-modes og lavt duty-cycle; netdrevne kan prioritere højere sampling og hyppigere kommunikation.

Dataflow og komprimering: fra indsamling til kørende model

Pipelinen går fra dataindsamling og annotation til træning i skyen, derefter komprimering og deployment til microcontroller. Praktiske værktøjer omfatter TensorFlow Lite Micro, TinyML-toolkits og on-device inferencemoduler til runtime. Komprimeringsmetoder: pruning fjerner parametre, quantization (int8) reducerer hukommelsesbehovet markant, og knowledge distillation overfører viden fra stor model til lille. Vælg pruning og int8 for størrelsesreduktion med lav kompleksitet; anvend distillation når præcision er kritisk. Forvent modelstørrelser typisk i kilobyte- til megabyte-området afhængig af opgave og komprimering.

Sikkerhed, privatliv og drift i en dansk kontekst

Grundlæggende krav er krypteret OTA-opdatering, secure boot og lokal nøglehåndtering for at forhindre manipulation. Edge-analyse minimerer mængden af person- eller forretningsdata sendt til skyen og gør det lettere at overholde GDPR. Drift kræver løbende overvågning af devices, health checks, plan for remote fejlfinding og failover, samt logning af opdateringer og sikkerhedshændelser.

Realistisk budgetskabelon + 12-ugers roadmap (PoC → drift)

Budgetestimat Danmark 2025: PoC (1–2 enheder) 40–80 kkr inkl. udvikling; Pilot (10–50 enheder) 150–400 kkr; Skaleret udrulning (100+ enheder) pr. enhed HW 200–800 kr plus årlig drift. 12-ugers roadmap: uge 1–2 scope og dataindsamling; uge 3–6 modeltræning og komprimering; uge 7–8 prototype på hardware; uge 9–10 pilotinstallation og feedback; uge 11–12 sikring, OTA og plan for opskalering. Nøgletal: forbedret MTTF, procentvis energireduktion, falsk-positiv-rate under målsætning samt TCO over 3 år.

Hurtig tjekliste: Fra idé til drift

• Business case og KPI’er
• Sensor-spec og installation
• Baseline-data til træning
• Model-performance-krav
• Sikkerheds- og OTA-plan
• Budgetgodkendelse
• Drifts- og overvågningsplan
• Plan for opskalering

Anbefalet næste skridt for CTO eller IT-ansvarlige: vælg en pilot-use-case og book en teknisk feasibility workshop.