Se basa en los 'modelos de mezcla gaussiana' (MMG).
“Las redes neuronales son poderosas pero tienen un gran inconveniente: manejar datos invisibles, como defectos en un producto durante la fabricación, es un desafío debido a su dependencia de los datos de capacitación existentes. Los insumos completamente nuevos a menudo se clasifican erróneamente en categorías existentes”, según la empresa. “Las empresas no pueden recolectar muestras del mundo real para cada anomalía, especialmente para defectos imprevistos. Los GMM son técnicas de agrupación que podemos utilizar para la detección de anomalías”.
La herramienta de desarrollo de software, 'FOMO-AD', está diseñada para crear algoritmos de detección basados en GMM para dispositivos con recursos limitados, como las MCU.
Un GMM representa una distribución de probabilidad como una mezcla de múltiples distribuciones gaussianas (normales). Cada componente gaussiano de la mezcla representa un grupo de puntos de datos con características similares. "Por lo tanto, los GMM funcionan asumiendo que las muestras dentro de un conjunto de datos se pueden modelar utilizando diferentes distribuciones gaussianas", dijo Edge Impulse.
La detección de anomalías mediante GMM implica identificar puntos de datos con bajas probabilidades, continuó. Si un punto de datos tiene una probabilidad significativamente menor de ser generado por el modelo de mezcla en comparación con la mayoría de los demás puntos de datos, se considera una anomalía y se generará una puntuación de anomalía alta.
"GMM tiene cierta superposición con K-means; sin embargo, los grupos de K-means siempre son circulares, esféricos o hiperesféricos cuando GMM puede modelar grupos elípticos", añadió la empresa.