ST erweitert die Unterstützung für ML im STM32Cube.AI-Ökosystem

STMicroelectronics hat die Vielfalt der maschinellen Lerntechniken erweitert, die den Benutzern der STM32Cube.AI-Entwicklungsumgebung zur Verfügung stehen.

Durch den Umzug wird zusätzliche Flexibilität hinzugefügt, um die Herausforderungen bei Klassifizierung, Clustering und Neuheitserkennung so effizient wie möglich zu lösen.

Neben der Entwicklung neuronaler Netze für Edge-Inferenz auf STM32*-Mikrocontrollern (MCUs) unterstützt diese STM32Cube.AI-Version (Version 7.0) neue überwachte und halbüberwachte Methoden, die mit kleineren Datensätzen und weniger CPU-Zyklen arbeiten. Dazu gehören Isolation Forest (iForest) und One Class Support Vector Machine (OC SVM) zur Erkennung von Neuheiten sowie K-Means- und SVM-Classifier-Algorithmen zur Klassifizierung, die Benutzer jetzt ohne mühsames manuelles Codieren implementieren können.

Die Hinzufügung dieser klassischen maschinellen Lernalgorithmen zu neuronalen Netzen wird Entwicklern helfen, ihre Herausforderungen schneller zu lösen, indem sie laut ST eine schnelle Durchlaufzeit mit benutzerfreundlichen Techniken zur Konvertierung, Validierung und Bereitstellung verschiedener Modelltypen ermöglichen enabling auf STM32-Mikrocontrollern.

STM32Cube.AI wurde entwickelt, um es Designern zu ermöglichen, Machine-Learning-Workloads aus der Cloud in STM32-basierte Edge-Geräte zu übertragen, um Latenzzeiten zu reduzieren, Energie zu sparen, die Cloud-Nutzung zu erhöhen und die Privatsphäre zu schützen, indem der Datenaustausch über das Internet reduziert wird.

Mit dieser zusätzlichen Flexibilität bei der Auswahl der effizientesten maschinellen Lerntechniken für die geräteinterne Analyse eignen sich STM32-MCUs für ständige Anwendungsfälle und intelligente batteriebetriebene Anwendungen.