ST estende suporte para ML no ecossistema STM32Cube.AI

A STMicroelectronics expandiu a variedade de técnicas de aprendizado de máquina disponíveis para usuários do ambiente de desenvolvimento STM32Cube.AI.

A mudança prevê flexibilidade extra sendo adicionada para resolver os desafios de classificação, clustering e detecção de novidades da maneira mais eficiente possível.

Além de permitir o desenvolvimento de redes neurais para inferência de borda em microcontroladores STM32 * (MCUs), esta versão STM32Cube.AI (versão 7.0) oferece suporte a novos métodos supervisionados e semissupervisionados que funcionam com conjuntos de dados menores e menos ciclos de CPU. Isso inclui floresta de isolamento (iForest) e Máquina de vetor de suporte de uma classe (OC SVM) para detecção de novidades e algoritmos K-means e SVM Classifier para classificação que os usuários agora podem implementar sem a laboriosa codificação manual.

A adição desses algoritmos clássicos de aprendizado de máquina no topo das redes neurais ajudará os desenvolvedores a resolver seus desafios mais rapidamente, permitindo um tempo de resposta rápido com, de acordo com a ST, técnicas fáceis de usar para converter, validar e implantar vários tipos de modelos em microcontroladores STM32.

O STM32Cube.AI foi desenvolvido para permitir que os designers conduzam cargas de trabalho de aprendizado de máquina da nuvem para dispositivos periféricos baseados em STM32 para reduzir a latência, economizar energia, aumentar a utilização da nuvem e proteger a privacidade reduzindo as trocas de dados pela Internet.

Com essa flexibilidade extra para escolher as técnicas de aprendizado de máquina mais eficientes para análises no dispositivo, os MCUs STM32 serão adequados para casos de uso sempre ativos e aplicativos inteligentes alimentados por bateria.