TDK yrittää ratkaista yhden edge-tekoälyn suurimmista ongelmista: datan puutteen. Yhtiön uusi SensorGPT-teknologia hyödyntää generatiivista tekoälyä, signaalinkäsittelyä ja fysiikkapohjaisia simulaatioita synteettisen sensoridatan luomiseen. Kuukausia kestänyt edge-AI-mallien kehitys voidaan lyhentää viikkoihin.
TDK:n mukaan jopa 80 prosenttia edge-AI-ratkaisujen kehitystyöstä kuluu tällä hetkellä datan keräämiseen ja käsittelyyn. SensorGPT:n tavoitteena on pudottaa oikean datan tarve noin 10 prosenttiin.
– Kuukausia kestänyt edge-AI-mallien kehitys voidaan lyhentää viikkoihin. Generatiivisen tekoälyn, simuloinnin ja muiden menetelmien avulla voidaan luoda korkealaatuista dataa, joka vastaa todellisia olosuhteita, sanoo TDK USA:n teknologiajohtoon kuuluva Jim Tran.
Käytännössä SensorGPT yrittää opettaa tekoälyn ymmärtämään sensorien käyttäytymistä niin hyvin, että se pystyy generoimaan realistista sensoridataa mallien koulutukseen. Teknologia hyödyntää generatiivisia AI-malleja, fysiikkapohjaisia simulaatioita, signaalinkäsittelyä sekä datan augmentointia.
TDK:n mukaan synteettinen data saavuttaa jopa 90 prosentin vastaavuuden oikeaan sensoridataan verrattuna. Tämän ansiosta synteettistä dataa voidaan käyttää edge-AI-mallien kouluttamiseen ja nopeampaan käyttöönottoon.
Teknologian tärkeimmiksi sovellusalueiksi TDK listaa IoT-laitteet, puettavat ratkaisut, IoT-laitteet, teollisen internetin sekä niin sanotut Physical AI -sovellukset, joissa tekoäly toimii fyysisessä ympäristössä sensorien ja paikallisen laskennan varassa.
Taustalla on nopeasti kasvava trendi, jossa generatiivinen tekoäly siirtyy tekstin ja kuvien käsittelystä fyysisen maailman mallintamiseen. Kun tekoälyä tuodaan robotteihin, teollisuusjärjestelmiin ja edge-laitteisiin, suurimmaksi pullonkaulaksi nousee nopeasti laadukkaan sensoridatan saatavuus.
TDK:n mukaan SensorGPT voi kasvattaa datamassojen kokoa kertaluokilla ja nopeuttaa prototyyppien sekä proof-of-concept-ratkaisujen kehitystä merkittävästi.
