• Fonte ST
Ottimizzare lo sviluppo di AI
SensiML propone uno strumento utile a principianti e professionisti.
di Fonte ST 04-12-20
I prodotti attrezzati con funzionalità di machine learning sono sempre più richiesti, ma nonostante se ne parli da anni, l'apprendimento automatico ai margini è ancora una tecnologia nuova, che richiede quindi strumenti diversi e flussi di lavoro complessi.

Un esperto del problema è Chris Roger, CEO e fondatore di SensiML, ST Partner. La soluzione proposta da SensiML è un toolkit end-to-end che copre l'acquisizione dei dati, la generazione di algoritmi e la convalida. Il prodotto si adatta all'uso sia di principianti che esperti interessati a padroneggiare le applicazioni di machine learning, grazie a tutorial come questo video.

Ecco alcune delle principali difficoltà da affrontare per ottimizzare i flussi di lavoro.

L'acquisizione dei dati è di per sé un problema difficile da risolvere perché coloro che non dispongono di dati devono fare investimenti sostanziali per ottenerli, in quanto chi li detiene preferirebbe, di solito, non condividerli. SensiML offre, prima di tutto, un Data Depot che funge da dataset library. Alcuni degli esempi includono anche tutorial per aiutare chi non conosce le applicazioni di machine learning. In secondo luogo, il toolkit SensiML si collega a SensorTile.box e utilizza la piattaforma dei sensori di ST per raccogliere informazioni.

Chris Rogers ha raccontato anche come i suoi ingegneri abbiano utilizzato SensorTile per valutare i limiti Bluetooth Low Energy. La bassa velocità di trasmissione dati del protocollo li ha costretti a fare affidamento sulla scheda di memoria esterna perché il sistema non poteva trasmettere tutto in una volta. I team di SensiML, quindi, si sono resi conto di aver bisogno di qualcosa di più robusto in futuro, soprattutto per le applicazioni industriali.

Chris ha spiegato che i suoi ricercatori hanno lavorato sull'utilizzo del protocollo MQTT per interfacciarsi con i sensori ST. Ci è voluto del tempo, ma alla fine sono stati in grado di utilizzare MQTT su seriale per ridurre il loro sovraccarico beneficiando di una velocità dati molto più elevata. Oggi, gli utenti di SensiML possono semplicemente sfruttare tutto questo lavoro selezionando solo un'opzione.

Un'altra sfida troppo spesso ignorata è quella dell'etichettatura. L'acquisizione dei dati è impegnativa. Tuttavia, una volta acquisiti i dati, organizzarli è un altro processo complesso dalle enormi ripercussioni. La maggior parte dei framework concorrenti inizia con file CSV giganteschi che diventano molto ingombranti.

SensiML risolve questo problema con strumenti che possono automatizzare le operazioni di etichettatura. Gli utenti descrivono, innanzitutto, alcune dozzine di esempi. Il toolkit quindi estrapola quelli che ritiene siano campioni identici. Agli ingegneri rimane solo il compito di convalidare le etichette automatiche generate dello strumento o modificare i dati che fossero stati travisati.Il processo diventa quindi molto più semplice, veloce e meno noioso.

SensiML offre anche funzionalità di controllo delle versioni. Se i team lavorano su più set di dati e desiderano tornare a un'annotazione precedente a causa di problemi in aumento, possono utilizzare una funzionalità di rollback per tornare a una sessione preferita.

(lo)