Edge AI & Computer Vision Beratung in Deutschland
Ich bin Dr. Farshid Pirahansiah — freiberuflicher Berater für Embedded Edge AI und Computer Vision, ansässig in Berlin, Deutschland, für Engineering-Teams in Deutschland. 12+ Jahre Berufserfahrung, 21 Publikationen, 3 Patente. Zusammengearbeitet wird remote im ganzen Bundesgebiet, vor Ort für Kick-offs, Integrationswochen und Labortests.
Der Kern der Arbeit ist selten ein neues Modell. Meistens gibt es schon ein Modell, eine Platine, einen Termin — und ein System, das zu langsam, zu heiß oder auf der Zielhardware nicht reproduzierbar läuft. Genau dort setze ich an: Messen auf dem Gerät, Optimieren bis es die Rate hält, und zwar nachvollziehbar dokumentiert. English version: Embedded Edge AI & Computer Vision Consultant in Germany.
Leistungen
- Produktionsreife Vision-Pipelines — Kameraerfassung, Kalibrierung, Vor- und Nachverarbeitung und Inferenz so verdrahtet, dass die Bildrate auch unter Last hält.
- Hardware-nahe Optimierung — Quantisierung, Kernel- und Graph-Optimierung, plus eine belastbare Messung dessen, was die Zielplattform wirklich leisten kann.
- Prototypen-Rettung & technische Bewertung — vom funktionierenden Demo zum Produkt, oder eine Hardware-/KI-Entscheidung, die vor der Budgetfreigabe fallen muss.
- Wissen im Team — gemeinsames Arbeiten und Code-Review, damit das Know-how im Unternehmen bleibt und nicht in einer Präsentation.
Hardware und Software, auf der ich optimiere
| Ebene | Werkzeuge und Plattformen |
|---|---|
| Edge-Beschleuniger | NVIDIA Jetson (AGX Orin, Orin Nano, Xavier), Google Coral TPU, Hailo-8, Intel NCS2, Kria KV260 (FPGA) |
| GPU & Runtime | CUDA, TensorRT, cuDNN, OpenVINO, ONNX Runtime, GGUF/llama.cpp, MLX/CoreML auf Apple Silicon |
| Präzision & Kompression | INT8-/FP16-Quantisierung, Kalibrierung, Layer-Fusion, strukturiertes Pruning, Speicher-Budgetierung |
| Vision & C++ | C++17/20, OpenCV, G-API, PyTorch → TensorRT Deployment, Python/Numba/Cython-Hotspots |
| Mikrocontroller & RISC-V | ESP32 / ESP32-C3 (ESP-IDF, Arduino, BLE HID, OLED-UI, TinyML), RISC-V RV32/RV64 (RISC-V-Kerne im ESP32-C3/C6, Vision-SoCs der K210/K230-Klasse) |
| Systeme | Echtzeit-Pipelines, Multi-Kamera-Synchronisation, RDMA/Thunderbolt-Capture, Thermal- und Power-Limits, MIPI/GStreamer |
Typische Fragestellungen aus der Praxis
„Unser Detektor läuft mit 4 FPS auf dem bestellten Jetson"
Ein FP32-PyTorch-Modell auf einem Embedded-Gerät ist der Klassiker. Die Arbeit: ein TensorRT-Engine für genau diese Zielplattform bauen, INT8 auf den eigenen Bildern kalibrieren, die Vorverarbeitung auf die GPU verlagern und batchten, was sich batchen lässt. Hintergrundnotizen: CV-, DL- & ML-Optimierungsleitfaden und PyCUDA: C-Kernel aus Python.
„Auf dem Rechner läuft es, auf dem Gerät nicht"
Speichergrenzen, Thermal Throttling und ein anderer Operator-Satz sind drei verschiedene Probleme, die gleich aussehen. Die Arbeit: das echte Budget auf dem Gerät messen, das Profil auswerten, und das Modell so weit verkleinern, dass es in den vorhandenen Speicher passt — dieselbe Methode, mit der ich ein Sprachmodell auf 8 GB zum Laufen bringe (Notizen).
„Wir haben Kameras, aber das System sieht nicht zuverlässig"
Kalibrierung, Synchronisation und Geometrie kommen vor den neuronalen Netzen: Multi-Kamera-Rigs, die nicht deckungsgleich sind, Optischer Fluss, der bei schneller Bewegung oder wechselndem Licht bricht, 3D-Rekonstruktion, die driftet. Siehe 3D-Vision & Multi-Kamera-Systeme, Optical Flow: Herausforderungen und Lösungen und Verkabelung für Multi-Kamera-Capture.
„Das Problem beginnt unterhalb von Linux: ein Mikrocontroller und ein paar hundert Kilobyte"
ESP32-/ESP32-C3-Firmware (ein RISC-V-Kern): Sensorik und Kamera, BLE HID, OLED-UI und ein Modell, das klein genug ist — geflasht und vermessen mit ESP-IDF oder Arduino. Funktionierendes Beispiel auf dieser Seite: vier Firmwares auf einem 3-Euro-RISC-V-Board. ISA- und Toolchain-Notizen: RISC-V for AI.
„Das Modell muss aufs Gerät — ohne Cloud, ohne GPU"
Kleine Modelle für Edge-Geräte: passende Architektur wählen, quantisieren, lokal ausführen — vom 1-Bit-4B-Sprachmodell auf einem alten Laptop bis zur Bildgenerierung mit 8 GB und der ESP32-C3-Board-Arbeit, bei der das gesamte Budget ein paar hundert Kilobyte beträgt.
Wie eine Zusammenarbeit abläuft
- Gespräch über den tatsächlichen Engpass — Modell, Hardware, Termin und die Genauigkeit, die nicht verhandelbar ist.
- Kurzes technisches Audit — Profiling auf Ihrer Zielhardware, danach ein schriftliches Ergebnis: was langsam ist, was machbar ist, was nicht passt und wo das Risiko liegt.
- Umsetzung gemeinsam — ich arbeite in Ihrem Repository und Review-Prozess, in C++, Python und CUDA, in Ihrer Toolchain und CI.
- Übergabe — Pipelines, Profiling-Skript und Begründung, so dokumentiert, dass die nächste Entwicklerin oder der nächste Entwickler es reproduzieren kann.
Vor Ort und remote
- Ansässig in Berlin, Deutschland — remote bundesweit, gleiche Zeitzone, auf Deutsch oder Englisch.
- Vor Ort für Kick-offs, Integrationswochen und Labortests in Berlin und überall in Deutschland, wo man mit Bahn oder kurzem Flug hinkommt.
- Vollständig remote ist überall dort möglich, wo die Zeitzone passt.
Nachweise
- 21 Publikationen — Fachartikel, Konferenzbeiträge und Buchkapitel: Liste.
- 3 Patente — Erkennung bewegter Fahrzeuge, Gesichtsanalyse für Werbung, GAN-basierte Gesichtsaugmentation: Patentseiten.
- Google Scholar — Zitationsprofil, h-Index 8, 142 Zitierungen.
- Rechtliches — Impressum und Datenschutzerklärung.
Kontakt
- E-Mail — info@pirahansiah.com, mit Hardware, Modell und der Zielgröße, die erreicht werden muss.
- Termin — calendly.com/pirahansiah/farshid.
- Alles Weitere — Atlas oder alle Seiten.
English version of this page: Embedded Edge AI & Computer Vision Consultant in Germany.
Source: Pirahansiah, F. “Edge AI & Computer Vision Beratung in Deutschland”. pirahansiah.com, updated 2026-10-18. Canonical URL https://pirahansiah.com/farshid/content/edge-ai-beratung/ · markdown source edge-ai-beratung.md · how to cite, quote and link this site.