Tällä hetkellä tekoäly siirtyy nopeasti pilvestä verkon reunalle. Tämä tarkoittaa käytännössä, että ohjainpiirien pitää pystyä laskemaan koneoppimismalleja sulautetuissa laitteissa, mikä vaatii yhä enemmän suunnittelijalta. STMicroelectronics on esitellyt työkalun, jolla sulautettujen ohjelmistojen suunnittelija voi hyödyntää tekoälyä ilman datatieteilijän asiantuntemusta.
Kyse on NanoEdge AI Studio -työkalusta. ST on nyt tuonut ohjelmistosta V3-version, joka on samalla ensimmäinen iso päivitys työkaluun sen jälkeen, kun ST osti työkalun kehittäneen Cartesiamin aiemmin tänä vuonna.
ST:llä Edge AI -tuotteista vastaava johtaja Joel Rubino selventää. - NanoEdge AI Studion käyttö antaa suunnittelijalle pääsyn miljooniin mahdollisiin koneoppimisalgoritmien, signaalinkäsittelyalgoritmien ja hyperparametrien yhdistelmiin. Tämä on paljon enemmän kuin kukaan ihminen (datatieteilijä) voisi tehdä manuaalisesti normaalin tuotekehityssyklin aikana.
Työkalu valitsee automaattisesti parhaan ML-kirjaston ja antaa lisäksi kehittäjälle ”tarkkuusprosentin”, joka kuvaa sitä, miten hyvin valittu kirjasto pystyy tekemään sen, mitä se on tarkoitettu tekemään. Lisäksi työkaluihin sisältyy emulaattori, jonka avulla kehittäjä voi testata kirjaston tarkkuutta livenä ennen kuin se siirretään MCU-ohjaimen muistiin.
Kyse on ennen kaikkea koneoppimismallien käytön demokratisoinnista. Rubinon mukaan vähimmäisvaatimus on, että sulautettujen ohjelmistojen suunnittelijan on kyettävä valitsemaan oikeat tiedot ongelman korjaamiseksi. – Tässä on kyse osaamisen soveltamisesta, sillä kehittäjät eivät ole aiemmin odottaneet, että ML-mallien tai neuroverkkojen käsittely onnistuisi sulautetussa laitteessa.
- Esimerkiksi älykellolla on enemmän mahdollisuuksia havaita ihmisen toimintaa analysoimalla liikeanturien tuottamaa dataa kuin GPS-sijaintitietoja. Se, miten liikut, ei riipu sijainnistasi, joten GPS-data ei auta pääsemään haluttuun ratkaisuun, Rubino jatkaa.
NanoEdge AI Studion uusi versio lähtee liikkeelle neljällä algoritmiperheellä: poikkeamien havaitseminen, regressio, yksiluokkainen ja moniluokkainen luokittelu. Näihin ollaan tuomassa lisää algoritmeja, mutta ) rikastamista vieläkin useammilla algoritmeilla. Toisaalta lisäämme myös algoritmiperheiden määrää.
Käytännössä työkalut etsivät sopivia algoritmeja. Kun paras löytyy haluttuun prosessiin, se voidaan tuoda osaksi ohjaimen C-koodia. Kirjasto voidaan viedä STWIn-kortille dataloggeri-toiminnolla. Mikro-ohjeimelle vietynä nämämallit voivat sekä oppia kokemastaan että päätellä itsenäisesti, ilman yhteyttä pilvipalveluun.
Työkalun käytöstä seuraa monia hyötyjä. Kustannussäästöt ovat Rubinon mukaan valtavat, koska yrityksen ei tarvitse palkata datatieteilijöitä projekteihinsa. Lisäksi projektit nopeutuvat, kun mallien käyttö automatisoituu. Lisäksi tietosuoja paranee, kun esimerkiksi tuotantodataa ei enää lähetetä pilveen analyysiä varten.
