ST ha pubblicato su GitHub il proprio repository di machine learning. Ecco quattro esempi di come può essere utilizzato per sviluppare nuove soluzioni commerciali.
di Fonte ST
L’intelligenza artificiale è resa notoriamente difficile dal fatto di dipendere dalla data science. Anche creare l’algoritmo giusto, come un albero decisionale, e impostarlo, può anche essere complicato. Tutti questi problemi limitano il numero di specialisti con l’esperienza necessaria a lavorare facilmente su applicazioni di machine learning. Il repository pubblicato su GitHub ha l’obiettivo di risolvere il problema. Il pacchetto include sottoinsiemi di registri dati nonché applicazioni ed esempi di configurazione per i sensori inerziali ST.
I sensori supportati sono unici in quanto tutti dotati di un core di machine learning che può eseguire uno o più alberi decisionali in parallelo. La ST è stata la prima a fornire un tale componente e l’innovazione è valsa all’azienda numerosi riconoscimenti. Il prodotto è tutt’ora unico perché un core di machine learning può fornire capacità decisionali a una frazione del consumo energetico di un microcontrollore. Di conseguenza, ST ha ampliato la propria offerta con nuovi dispositivi, riducendo anche le difficoltà di utilizzo rilasciando strumenti come Unico-GUI.
Il repository GitHub è quindi un’altra iniziativa che mira a rendere l’apprendimento automatico sempre più accessibile. Ecco quattro esempi di applicazione:
Attività in palestra
Un esempio di applicazione presente nel repository principale del machine learning è un riconoscimento dell’attività condotta in palestra. Il programma consente a un braccialetto di rilevare automaticamente tra il tipo di attività in corso, dai sollevamenti laterali, agli squat, al riposo. Il repository di ST offre anche esempi per aiutare gli sviluppatori a progettare un algoritmo simile e studiare i filtri applicati da ST al segnale dell’accelerometro.
Yoga
Una seconda applicazione fisica utilizza SensorTile.Box e può riconoscere 12 posizioni yoga oltre a distinguere quando l’utente è in piedi fermo o in movimento. Collegato il dispositivo alla gamba sinistra dell’utente, il suo sensore è in grado di eseguire un albero decisionale con 20 nodi. Il sistema rileva ciascuna posa in meno di un secondo. Il repository offre anche i log di dati da UNICO-GUI che hanno contribuito a creare il classificatore dell’albero decisionale.
Movimento di un veicolo
L’algoritmo di rilevamento stazionario determina se un’auto è in movimento o meno grazie al più preciso LSM6DSRX. L’applicazione utilizza i dati dell’accelerometro e del giroscopio e funziona indipendentemente dall’orientamento. Il repository GitHub offre anche un sottoinsieme dei registri di dati raccolti per realizzare questo programma, oltre a fornire esempi di configurazione per aiutare gli sviluppatori ad elaborare algoritmi simili. La configurazione mostra anche come sia stato implementato un albero decisionale con 30 nodi. Un algoritmo simile per sviluppare il Baby Crying Detector. Un’auto in movimento, infatti, implica la presenza di un conducente, il che rende inutile attivare un allarme se il bambino comincia a piangere.
Gestualità del capo
L’applicazione di riconoscimento dei gesti della testa utilizza un sensore inerziale LSM6DSRX. Posizionato in una cuffia, può determinare se gli utenti annuiscono, sono fermi, camminano e scuotono o oscillano la testa. L’applicazione utilizza i dati sia dell’accelerometro che del giroscopio sugli assi X, Y e Z.
Tuttavia, non tutte le origini dati ricevono gli stessi filtri. Ad esempio, il sistema monitora solo l’accelerometro sull’asse Y per una soglia massima mentre cerca una soglia minima sull’asse X dello stesso elemento di rilevamento. È quindi un ottimo esempio dell’importanza dell’elaborazione del segnale nelle applicazioni di apprendimento automatico. Inoltre, l’albero decisionale è di per sé abbastanza semplice con solo sette nodi per rilevare cinque classi.
(lo)
