STMicroelectronics a étendu les techniques d'apprentissage automatique dans la dernière version de son environnement de développement STM32Cube.AI pour aider les utilisateurs à résoudre plus efficacement les problèmes de classification, de clustering et de détection de nouveautés.
En plus de permettre le développement de réseaux de neurones pour l'inférence de périphérie sur les microcontrôleurs (MCU) STM32*, la dernière version de 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 implémenter sans codage manuel.
STM32Cube.AI permet aux développeurs de gérer des charges de travail d'apprentissage automatique du cloud vers des périphériques de périphérie basés sur STM32 pour réduire la latence, économiser de l'énergie, augmenter l'utilisation du cloud et protéger la confidentialité en minimisant les échanges de données sur Internet, a déclaré STMicroelectronics. Avec l'ajout de techniques d'apprentissage automatique pour l'analyse sur appareil, les microcontrôleurs STM32 sont désormais adaptés aux cas d'utilisation permanents et aux applications intelligentes alimentées par batterie.
La nouvelle version 32 de STM7.0Cube.AI peut être téléchargée gratuitement sur www.st.com.
à propos de STMicroelectronics