Sensor gerak berkemampuan pembelajaran mesin yang ditujukan untuk IoT

Qeexo, pengembang platform pembelajaran mesin otomatis (ML) Qeexo AutoML, dan STMicroelectronics telah mengumumkan ketersediaan sensor inti pembelajaran mesin (MLC) ST pada Qeexo AutoML.

Sementara sensor MLC ST mampu secara substansial mengurangi konsumsi daya sistem secara keseluruhan dengan menjalankan algoritme terkait penginderaan, dibangun dari kumpulan besar data penginderaan, yang jika tidak dijalankan pada prosesor host. Dengan menggunakan ini Sensor data, Qeexo AutoML dapat secara otomatis menghasilkan solusi pembelajaran mesin yang sangat optimal untuk perangkat Edge.

Dengan latensi yang sangat rendah, konsumsi daya yang sangat rendah, dan jejak memori yang sangat kecil, solusi algoritmik ini mampu mengatasi batasan ukuran mati untuk daya komputasi dan ukuran memori, dengan model pembelajaran mesin yang efisien untuk sensor yang memperluas sistem daya tahan baterai.

“Memenuhi janji yang kami buat baru-baru ini ketika kami mengumumkan kolaborasi kami dengan ST, Qeexo telah menambahkan dukungan untuk keluarga sensor inti pembelajaran mesin ST di Qeexo AutoML,” kata Sang Won Lee, CEO Qeexo. “Pekerjaan kami dengan ST kini telah memungkinkan pengembang aplikasi untuk dengan cepat membangun dan menerapkan algoritme pembelajaran mesin pada sensor MLC ST tanpa menggunakan siklus MCU dan sumber daya sistem, untuk rentang aplikasi yang tidak terbatas, termasuk kasus penggunaan industri dan IoT.”

“Mengadaptasi Qeexo AutoML untuk sensor inti pembelajaran mesin ST memudahkan pengembang untuk dengan cepat menambahkan pembelajaran mesin tertanam ke aplikasi berdaya sangat rendah mereka,” tambah Simone Ferri, Direktur Divisi Sensor MEMS, STMicroelectronics.

“Menempatkan MLC di sensor kami, termasuk LSM6DSOX atau ISM330DHCX, secara signifikan mengurangi volume transfer data sistem, mengurangi pemrosesan jaringan, dan berpotensi memangkas konsumsi daya sistem dengan urutan besarnya sambil menghadirkan deteksi peristiwa yang ditingkatkan, logika bangun, dan Edge real-time. komputasi.”