Das benutzerfreundliche Tool von Edge Impulse „spart Entwicklern Zeit und Geld bei der Implementierung von maschinellem Lernen“, sagte Matt Saunders, Vice President of IoT bei Silicon Labs. Es zielt dabei auf die EFR32-Wireless-SoCs und EFM32-MCUs von Silicon Labs, die für ML-Anwendungen dienen.
(Bild: Silicon Labs)
Die Zusammenarbeit zwischen Silicon Labs und Edge Impulse ermöglicht es Geräteentwicklern, Machine-Learning-Modelle mit einem Klick direkt auf dem Gerät oder in der Entwicklungsumgebung Simplicity Studio von Silicon Labs zu generieren und zu exportieren; so lassen sich mithilfe eines entsprechenden Werkzeugs Anwendungen für maschinelles Lernen in wenigen Minuten implementieren. Studien haben gezeigt, dass 87 % der Data-Science-Projekte nie die volle Produktion erreichen, oft aufgrund von Herausforderungen bei der Umsetzung von künstlicher Intelligenz/ML.
Diese ML-Anwendungen sollen dann auf den EFR32-Wireless-SoCs und EFM32-MCUs von Silicon Labs laufen. Das dazu erforderliche Werkzeug auf der Plattform von Edge Impulse ist bereits für das IoT-Entwicklungs-Kit ‚Thunderboard Sense 2‘ von Silicon Labs und die genannten SoCs/MCUs des Herstellers verfügbar. Es ermöglicht die komplexe Bewegungserkennung, Geräuscherkennung und Bildklassifizierung auf stromsparenden, speicherbegrenzten und entfernten Edge-Geräten. Matt Saunders, Vice President of IoT bei Silicon Labs, sagte, das Werkzeug von Edge Impulse spare Entwicklern „Zeit und Geld bei der Implementierung von maschinellem Lernen“ bei kommerziellen Anwendungen, von vorausschauender Wartung über Asset-Tracking bis hin zu Überwachung und Menschenerkennung.
Edge Impulse ermöglicht es Entwicklern, schnell und kostenlos neuronale Netze für eine Vielzahl von Silicon Labs-Produkten zu erstellen, mit integriertem Deployment in Simplicity Studio. Durch die Einbettung modernster TinyML-Modelle auf Geräten mit EFR32-SoCs und EFM32-MCUs ermöglicht die Lösung von Maschinellem Lernen, der Erfassung und Speicherung von Sensordaten in der realen Welt, die Erweiterte Signalverarbeitung und Datenmerkmalsextraktion, das Training von Modellen mit tiefen neuronalen Netzen (DNN) und den Einsatz von optimiertem eingebettetem Code. Das Edge Impulse-Tool nutzt außerdem die Edge Optimized Neural (EON)-Technologie von Edge Impulse, um die Speichernutzung und die Inferenzzeit zu optimieren.
(dw)
