ST estende il supporto per il machine learning nell'ecosistema STM32Cube.AI

STMicroelectronics ha ampliato la varietà di tecniche di apprendimento automatico disponibili per gli utenti dell'ambiente di sviluppo STM32Cube.AI.

La mossa prevede l'aggiunta di ulteriore flessibilità per risolvere le sfide di classificazione, clustering e rilevamento di novità nel modo più efficiente possibile.

Oltre a consentire lo sviluppo di reti neurali per l'inferenza edge su microcontrollori STM32* (MCU), questa versione STM32Cube.AI (versione 7.0) supporta nuovi metodi supervisionati e semi-supervisionati che funzionano con set di dati più piccoli e meno cicli CPU. Questi includono la foresta di isolamento (iForest) e la One Class Support Vector Machine (OC SVM) per il rilevamento delle novità e gli algoritmi K-means e SVM Classifier per la classificazione che gli utenti possono ora implementare senza laboriosa codifica manuale.

L'aggiunta di questi algoritmi classici di apprendimento automatico sulle reti neurali aiuterà gli sviluppatori a risolvere più rapidamente le loro sfide consentendo tempi di risposta rapidi con, secondo ST, tecniche di facile utilizzo per convertire, convalidare e distribuire vari tipi di modelli su microcontrollori STM32.

STM32Cube.AI è stato sviluppato per consentire ai progettisti di guidare carichi di lavoro di machine learning dal cloud in dispositivi edge basati su STM32 per ridurre la latenza, risparmiare energia, aumentare l'utilizzo del cloud e salvaguardare la privacy riducendo gli scambi di dati su Internet.

Con questa flessibilità extra per scegliere le tecniche di apprendimento automatico più efficienti per l'analisi su dispositivo, gli MCU STM32 saranno adatti per casi d'uso sempre attivi e applicazioni intelligenti alimentate a batteria.