ST mở rộng hỗ trợ cho ML trong hệ sinh thái STM32Cube.AI

STMicroelectronics đã mở rộng nhiều loại kỹ thuật máy học có sẵn cho người dùng của môi trường phát triển STM32Cube.AI.

Động thái này cho thấy sự linh hoạt hơn được thêm vào để giải quyết các thách thức phân loại, phân cụm và phát hiện tính mới một cách hiệu quả nhất có thể.

Cũng như cho phép phát triển mạng nơ-ron để suy luận biên trên vi điều khiển STM32 * (MCU), bản phát hành STM32Cube.AI này (phiên bản 7.0) hỗ trợ các phương pháp được giám sát và bán giám sát mới hoạt động với các tập dữ liệu nhỏ hơn và ít chu kỳ CPU hơn. Chúng bao gồm rừng cách ly (iForest) và Máy vectơ hỗ trợ một lớp (OC SVM) để phát hiện tính mới và các thuật toán K-means và SVM Classifier để phân loại mà người dùng hiện có thể thực hiện mà không cần viết mã thủ công.

Việc bổ sung các thuật toán học máy cổ điển này trên mạng nơ-ron sẽ giúp các nhà phát triển giải quyết các thách thức của họ nhanh hơn bằng cách cho phép thời gian quay vòng nhanh, theo ST, các kỹ thuật dễ sử dụng để chuyển đổi, xác thực và triển khai các loại mô hình khác nhau trên vi điều khiển STM32.

STM32Cube.AI đã được phát triển để cho phép các nhà thiết kế điều khiển khối lượng công việc học máy từ đám mây vào các thiết bị cạnh dựa trên STM32 để giảm độ trễ, tiết kiệm năng lượng, tăng khả năng sử dụng đám mây và bảo vệ quyền riêng tư bằng cách giảm trao đổi dữ liệu qua Internet.

Với sự linh hoạt bổ sung này để lựa chọn các kỹ thuật máy học hiệu quả nhất cho phân tích trên thiết bị, MCU STM32 sẽ phù hợp với các trường hợp sử dụng luôn bật và các ứng dụng chạy bằng pin thông minh.