ST memperluas dukungan untuk ML di ekosistem STM32Cube.AI

STMicroelectronics telah memperluas berbagai teknik pembelajaran mesin yang tersedia untuk pengguna lingkungan pengembangan STM32Cube.AI.

Langkah ini melihat fleksibilitas ekstra yang ditambahkan untuk memecahkan tantangan klasifikasi, pengelompokan, dan deteksi kebaruan seefisien mungkin.

Selain memungkinkan pengembangan jaringan saraf untuk inferensi tepi pada mikrokontroler STM32* (MCU), rilis STM32Cube.AI ini (versi 7.0) mendukung metode baru yang diawasi dan semi-diawasi yang bekerja dengan set data yang lebih kecil dan siklus CPU yang lebih sedikit. Ini termasuk hutan isolasi (iForest) dan One Class Support Vector Machine (OC SVM) untuk deteksi baru dan algoritma K-means dan SVM Classifier untuk klasifikasi yang sekarang dapat diterapkan oleh pengguna tanpa pengkodean manual yang melelahkan.

Penambahan algoritme pembelajaran mesin klasik ini di atas jaringan saraf akan membantu pengembang memecahkan tantangan mereka lebih cepat dengan memungkinkan waktu penyelesaian yang cepat dengan, menurut ST, teknik yang mudah digunakan untuk mengonversi, memvalidasi, dan menyebarkan berbagai jenis model pada mikrokontroler STM32.

STM32Cube.AI telah dikembangkan untuk memungkinkan desainer mendorong beban kerja pembelajaran mesin dari cloud ke perangkat edge berbasis STM32 untuk mengurangi latensi, menghemat energi, meningkatkan pemanfaatan cloud, dan menjaga privasi dengan mengurangi pertukaran data melalui Internet.

Dengan fleksibilitas ekstra untuk memilih teknik pembelajaran mesin yang paling efisien untuk analitik di perangkat, MCU STM32 akan cocok untuk kasus penggunaan yang selalu aktif dan aplikasi bertenaga baterai pintar.