Sensores de movimento com capacidade de aprendizado de máquina destinados à IoT

Qeexo, desenvolvedor da plataforma de aprendizado de máquina automatizado (ML) Qeexo AutoML, e a STMicroelectronics anunciaram a disponibilidade de sensores de núcleo de aprendizado de máquina (MLC) da ST no Qeexo AutoML.

Enquanto os sensores MLC da ST são capazes de reduzir substancialmente o consumo geral de energia do sistema, executando algoritmos relacionados à detecção, construídos a partir de grandes conjuntos de dados detectados, que de outra forma seriam executados no processador host. Usando este sensor dados, o Qeexo AutoML pode gerar automaticamente soluções de aprendizado de máquina altamente otimizadas para dispositivos Edge.

Com latência ultrabaixa, consumo de energia ultrabaixo e uma pegada de memória muito pequena, essas soluções algorítmicas são capazes de superar os limites impostos pelo tamanho da matriz para poder de computação e tamanho de memória, com modelos de aprendizado de máquina eficientes para os sensores que estendem o sistema vida útil da bateria.

“Cumprindo a promessa que fizemos recentemente quando anunciamos nossa colaboração com a ST, a Qeexo adicionou suporte para a família ST de sensores de núcleo de aprendizado de máquina no Qeexo AutoML”, disse Sang Won Lee, CEO da Qeexo. “Nosso trabalho com o ST agora permitiu que os desenvolvedores de aplicativos criassem e implantassem rapidamente algoritmos de aprendizado de máquina nos sensores MLC do ST sem consumir ciclos de MCU e recursos do sistema, para uma gama ilimitada de aplicativos, incluindo casos de uso industrial e IoT.”

“Adaptar o Qeexo AutoML para os sensores centrais de aprendizado de máquina da ST torna mais fácil para os desenvolvedores adicionarem aprendizado de máquina incorporado aos seus aplicativos de baixíssimo consumo de energia”, acrescentou Simone Ferri, Diretor da Divisão de Sensores de MEMS, STMicroelectronics.

“Colocar o MLC em nossos sensores, incluindo o LSM6DSOX ou ISM330DHCX, reduz significativamente os volumes de transferência de dados do sistema, descarrega o processamento da rede e potencialmente corta o consumo de energia do sistema em ordens de magnitude, proporcionando detecção de eventos aprimorada, lógica de ativação e Edge em tempo real Informática."