Analog Devices on julkaissut yhteistyössä teknologiayritys Antmicron kanssa uuden työkalun, joka tekee koneoppimismallien kehittämisestä ja käyttöönotosta sulautetuissa järjestelmissä huomattavasti yksinkertaisempaa. Uusi AutoML for Embedded -ratkaisu on nyt saatavilla avoimen lähdekoodin Kenning-kehyksen osana.
AutoML for Embedded on suunniteltu erityisesti kehittäjille, jotka työskentelevät mikro-ohjaimien ja muiden resurssirajoitteisten laitteiden parissa. Työkalu automatisoi koko koneoppimisen kehitysputken – raakadatasta optimoituun malliin – ilman, että käyttäjän tarvitsee syventyä syvälle tekoälyn tai datatieteen yksityiskohtiin.
AutoML for Embedded toimii Visual Studio Code -lisäosana ja integroituu ADI:n CodeFusion Studio -ympäristöön sekä tukee ADI:n AI-piirejä, kuten MAX78002 ja MAX32690. Työkalu hyödyntää älykkäitä algoritmeja, kuten SMAC ja Hyperband, mallien etsimiseen ja optimointiin ja tarkistaa automaattisesti, että mallit sopivat laitteiston muistirajoihin.
Kehittäjät voivat testata ja simuloida malleja suoraan Renode-alustalla ja käyttää Zephyr-RTOSia reaaliaikaisten sovellusten prototypointiin. Avoimen lähdekoodin lähestymistapa takaa laite- ja alustariippumattomuuden sekä mahdollistaa nopean innovoinnin.
Yksi tärkeä käyttökohde on kuvantunnistus ja objektien havaitseminen pienitehoisilla kameroilla. Tämä mahdollistaa älykkäiden näköjärjestelmien rakentamisen esimerkiksi valvontaan, robotiikkaan tai kuluttajatuotteisiin ilman, että tarvitaan tehokkaita prosessoreita tai pilvipalveluita.
Toinen sovellusalue on ennakoiva kunnossapito teollisuuden IoT-laitteissa. Koneoppimismallit voivat havaita poikkeamia sensoreiden aikajonodatan perusteella ja antaa varoituksia ennen varsinaista laiterikkoa.
Kolmantena esimerkkinä on tekstianalyysi sulautetuissa kielisovelluksissa. Luonnollisen kielen prosessointi voi nyt tapahtua suoraan laitteessa, esimerkiksi tunnistamalla komentoja tai tekemällä perusanalyysia ilman yhteyttä pilveen.
Reaaliaikainen toiminnan tunnistus robotiikassa ja urheilussa on neljäs mahdollisuus. Tekoälymallit voivat analysoida liikkeitä ja tapahtumia nopeasti, tarjoten esimerkiksi palautetta urheilijalle tai hallintaa robottijärjestelmälle.
Työkalu vähentää merkittävästi tekoälykehityksen teknistä kynnystä sulautetuissa ympäristöissä. Kehittäjän ei tarvitse hallita kaikkia vaiheita manuaalisesti – AutoML automatisoi valtaosan työstä.
