Датчики движения с возможностью машинного обучения, предназначенные для Интернета вещей
Qeexo, разработчик платформы автоматизированного машинного обучения (ML) Qeexo AutoML, и STMicroelectronics объявили о доступности датчиков ядра машинного обучения (MLC) ST в Qeexo AutoML.
В то время как датчики MLC от ST могут существенно снизить общее энергопотребление системы за счет выполнения алгоритмов, связанных с зондированием, построенных из больших наборов считываемых данных, которые в противном случае выполнялись бы на главном процессоре. Используя это датчик данных, Qeexo AutoML может автоматически создавать высокооптимизированные решения машинного обучения для пограничных устройств.
Благодаря сверхнизкой задержке, сверхнизкому энергопотреблению и очень небольшому объему памяти эти алгоритмические решения способны преодолевать ограничения, накладываемые размером кристалла на вычислительную мощность и размер памяти, с помощью эффективных моделей машинного обучения для датчиков, расширяющих систему. срок службы батареи.
«Выполняя обещание, которое мы недавно дали, когда объявили о сотрудничестве с ST, Qeexo добавила поддержку семейства базовых датчиков машинного обучения ST в Qeexo AutoML, - сказал Санг Вон Ли, генеральный директор Qeexo. «Наша работа с ST теперь позволила разработчикам приложений быстро создавать и развертывать алгоритмы машинного обучения на датчиках MLC ST без использования циклов MCU и системных ресурсов для неограниченного круга приложений, включая промышленные сценарии и сценарии использования Интернета вещей».
«Адаптация Qeexo AutoML для основных датчиков машинного обучения ST упрощает разработчикам возможность быстрого добавления встроенного машинного обучения в свои приложения с очень низким энергопотреблением», - добавила Симоне Ферри, директор подразделения датчиков MEMS, STMicroelectronics.
«Включение MLC в наши датчики, включая LSM6DSOX или ISM330DHCX, значительно сокращает объемы передачи системных данных, разгружает сетевую обработку и потенциально снижает энергопотребление системы на порядки, обеспечивая улучшенное обнаружение событий, логику пробуждения и Edge вычисления ".