ST étend la prise en charge du ML dans l'écosystème STM32Cube.AI

STMicroelectronics a élargi la variété des techniques d'apprentissage automatique disponibles pour les utilisateurs de l'environnement de développement STM32Cube.AI.

Le mouvement prévoit une flexibilité supplémentaire pour résoudre les problèmes de classification, de clustering et de détection de nouveauté aussi efficacement que possible.

En plus de permettre le développement de réseaux de neurones pour l'inférence de périphérie sur les microcontrôleurs (MCU) STM32*, cette version STM32Cube.AI (version 7.0) prend en charge de nouvelles méthodes supervisées et semi-supervisées qui fonctionnent avec des ensembles de données plus petits et moins de cycles CPU. Ceux-ci incluent la forêt d'isolement (iForest) et la machine à vecteur de support à une classe (OC SVM) pour la détection des nouveautés et les algorithmes K-means et SVM Classifier pour la classification que les utilisateurs peuvent désormais mettre en œuvre sans codage manuel laborieux.

L'ajout de ces algorithmes d'apprentissage automatique classiques aux réseaux de neurones aidera les développeurs à résoudre leurs défis plus rapidement en permettant des délais d'exécution rapides avec, selon ST, des techniques faciles à utiliser pour convertir, valider et déployer divers types de modèles. sur les microcontrôleurs STM32.

STM32Cube.AI a été développé pour permettre aux concepteurs de transférer des charges de travail d'apprentissage automatique du cloud vers des périphériques de périphérie basés sur STM32 afin de réduire la latence, d'économiser de l'énergie, d'augmenter l'utilisation du cloud et de protéger la confidentialité en réduisant les échanges de données sur Internet.

Avec cette flexibilité supplémentaire pour choisir les techniques d'apprentissage automatique les plus efficaces pour l'analyse sur appareil, les microcontrôleurs STM32 seront adaptés aux cas d'utilisation permanents et aux applications intelligentes alimentées par batterie.