SensiML បន្ថែមការថែទាំតាមការព្យាករណ៍នៅក្នុងសេចក្តីណែនាំអំពីឧបករណ៍ Smart Building

ការណែនាំអំពីម្ចាស់ផ្ទះ - នាទី 5
ណែនាំគោលគំនិត និងគោលដៅសម្រាប់មន្ទីរពិសោធន៍ - នាទី 10
ការប្រតិបត្តិ "ពេលវេលាពិត" នៃនីតិវិធីជាជំហាន ៗ សម្រាប់ការបង្កើតគំរូ - នាទី 60
- កម្មវិធីបង្កប់ប្រមូលទិន្នន័យដែលត្រូវគ្នាជាមួយ Flash SensiML ទៅកាន់ Thunderboard Sense 2 (TBS2)
- កំណត់រចនាសម្ព័ន្ធ និងភ្ជាប់ TBS2 ទៅ SensiML Data Capture Lab
- ចាប់យកទិន្នន័យ 'ការបង្ហាញស្លាយ' ជាមួយបន្ទះទទេ (អ្នកប្រើប្រាស់នឹងមិនមានឧបករណ៍អ្នកគាំទ្រទេ)
- ដាក់ស្លាកទិន្នន័យ និងរក្សាទុក និង sample គម្រោង (យើងនឹងមិនប្រើសម្រាប់វគ្គសិក្សាដែលនៅសល់)
- ហៅស្ទូឌីយោវិភាគ (នៅចំណុចនេះ អ្នកប្រើប្រាស់នឹងធ្វើការពីសំណុំទិន្នន័យបង្ហាញអ្នកគាំទ្រ TBS2 ដែលបានប្រមូលជាមុន)
- ធ្វើការតាមរយៈជំហានសម្រាប់ការបង្កើតគំរូនៃគំរូការរកឃើញស្ថានភាពអ្នកគាំទ្រ
- បង្កើតកញ្ចប់ចំណេះដឹង
- ស្រេចចិត្ត៖ ម៉ូដែល Flash ទៅ TBS2

វីដេអូបង្ហាញកម្មវិធី Smart Building Applications – នាទី 5
សំណួរ-ចម្លើយ នាទី 10

សេចក្តីផ្តើម SensiML

SensiML គឺជាក្រុមហ៊ុនឧបករណ៍កម្មវិធី B2B សម្រាប់ AI នៅគែម IoT
- អនុញ្ញាតឱ្យអ្នកអភិវឌ្ឍន៍បង្កើតគំរូឧបករណ៍ចាប់សញ្ញា ML បង្រួមបំផុតដោយមិនចាំបាច់មានជំនាញវិទ្យាសាស្ត្រទិន្នន័យ
- ម៉ូដែលតូចរហូតដល់ 10KB!
- អតីតក្រុមឧបករណ៍កម្មវិធី Intel Curie/Quark MCU AI បានចាកចេញដើម្បីបង្កើត SensiML ក្នុងឆ្នាំ 2017
Silicon Labs និងដំណោះស្រាយ SensiML
- នាំមកនូវថាមពល ML ប្រកបដោយប្រសិទ្ធភាពដល់គ្រួសារ EFR32/EFM32 MCU
- គំរូកម្មវិធីឆ្លាតវៃ IoT រហ័សជាមួយ Thunderboard Sense 2

SensiML មានស្ថេរភាព និងការគាំទ្រទូទាំងពិភពលោក
- ទទួលបាននៅឆ្នាំ 2019 ដោយ QuickLogic Corp; រៀបចំ និងដំណើរការជាក្រុមហ៊ុនបុត្រសម្ព័ន្ធកម្មវិធីឯករាជ្យទាំងស្រុង (មានមូលដ្ឋាននៅ Portland, OR)
- ដៃគូបណ្តាញដែលបានបង្កើត (Avnet, Future Electronics, Mouser, Shinko Shoji)
- ការិយាល័យលក់/ជំនួយនៅចក្រភពអង់គ្លេស សហរដ្ឋអាមេរិក ជប៉ុន តៃវ៉ាន់ ចិន

ឱកាសសម្រាប់ TinyML នៅក្នុងអគារឆ្លាតវៃ

បញ្ហាប្រឈមជាមួយនឹងការអភិវឌ្ឍន៍កម្មវិធី Smart IoT Sensor ដែលមានស្រាប់

Cloud-Centric AI

ការផ្ទុកចរាចរណ៍បណ្តាញខ្ពស់។
រយៈទទឹងខ្ពស់
ការអត់ឱនកំហុសតិច
មិនស្គាល់ហានិភ័យនៃសុវត្ថិភាពទិន្នន័យ
កង្វល់នៃភាពឯកជន

ការរៀនសូត្រជ្រៅ

តម្រូវការទិន្នន័យបណ្តុះបណ្តាលធំ
ការចងចាំដ៏ធំ
បន្ទុកដំណើរការខ្ពស់។
ការប្រើប្រាស់ថាមពលខ្ពស់។
អាយុកាលថ្មខ្សោយ

ចំណុចបញ្ចប់ដែលសរសេរដោយដៃ

យឺតនិងពឹងផ្អែកលើកម្លាំងពលកម្ម
មិនស្គាល់ទំហំកូដខាងមុខ
ជំនាញវិទ្យាសាស្ត្រទិន្នន័យខ្វះខាត
បណ្ណាល័យកូដ AI/ML ស្មុគស្មាញ
មិនអាចធ្វើមាត្រដ្ឋានបាន / ប្រកួតប្រជែង

TinyML = IoT Edge ML + AutoML

IoT Edge ML៖ ចំណុចបញ្ចប់ស្វ័យភាព
- ការបញ្ចូលបណ្តាញឥតខ្សែ និងអាយុកាលថ្មឥតខ្សែរយៈពេលយូរ
- គ្មានដំណើរការលើពពក ឬការពឹងផ្អែកលើបណ្តាញ
- ការឆ្លើយតបតាមពេលវេលាជាក់ស្តែង
AutoML៖ បង្កើនប្រសិទ្ធភាពដោយគ្មានអ្នកជំនាញ AI
- កម្មវិធីបង្កើនប្រសិទ្ធភាពស្វ័យប្រវត្តិជ្រើសរើសគំរូល្អបំផុតសម្រាប់ទិន្នន័យដែលបានផ្តល់
- ការរៀនម៉ាស៊ីនបុរាណ (ML) ឡើងតាមរយៈការរៀនស៊ីជម្រៅ
- SensiML TinyML ផ្តល់ទិន្នផលម៉ូដែលតូចដល់ 10KB!

មិនចាំបាច់សរសេរកូដដោយដៃទេ។
- លេខកូដគំរូបង្កើតដោយស្វ័យប្រវត្តិពីសំណុំទិន្នន័យបណ្តុះបណ្តាល ML
- រក្សាទុកការខិតខំប្រឹងប្រែងអភិវឌ្ឍន៍ជាច្រើនខែ និងជំនាញវិទ្យាសាស្ត្រទិន្នន័យ
- អ្នកអភិវឌ្ឍន៍អាចផ្លាស់ប្តូរផ្នែកណាមួយនៃកូដ AutoML តាមការចង់បាន

គំរូនៃដំណើរការការងារ

ចាប់យកទិន្នន័យ

ពេលវេលា៖ ម៉ោងទៅសប្តាហ៍* (អាស្រ័យលើភាពស្មុគស្មាញនៃការប្រមូលទិន្នន័យកម្មវិធី)
ជំនាញ៖ អ្នកជំនាញខាងដែន (តាមតម្រូវការដើម្បីប្រមូល និងដាក់ស្លាកព្រឹត្តិការណ៍ដែលចាប់អារម្មណ៍)

ចំណាំ៖ យើងនឹងប្រើប្រាស់ទិន្នន័យដែលបានប្រមូលពីមុនមួយចំនួន ដើម្បីពន្លឿនជំហាននេះសម្រាប់សិក្ខាសាលា

បង្កើតគំរូ

ពេលវេលា៖ នាទីទៅម៉ោង (អាស្រ័យលើកម្រិតនៃការគ្រប់គ្រងគំរូដែលបានអនុវត្ត)

ជំនាញ៖ គ្មាន (ពេញ AutoML)
- គោលគំនិត ML មូលដ្ឋាន (ការលៃតម្រូវ UI កម្រិតខ្ពស់)
- កម្មវិធី Python (ការគ្រប់គ្រងបំពង់ពេញលេញ)

ឧបករណ៍សាកល្បង

ពេលវេលា៖ នាទីទៅសប្តាហ៍ (អាស្រ័យលើតម្រូវការបញ្ចូលកូដកម្មវិធី)

ជំនាញ៖ គ្មាន (កម្មវិធីបង្កប់ប្រព័ន្ធគោលពីរដែលមានលេខកូដ I/O wrapper បង្កើតដោយស្វ័យប្រវត្តិ)
ការបង្កប់កម្មវិធី (ការរួមបញ្ចូលបណ្ណាល័យ SensiML ឬប្រភព C ជាមួយលេខកូដអ្នកប្រើប្រាស់)

គោលដៅសិក្ខាសាលា

ណែនាំប្រអប់ឧបករណ៍ TinyML របស់ SensiML និងដំណើរការបង្កើតគំរូនៅលើ Silicon Labs Thunderboard Sense 2

បទពិសោធន៍ជាមួយនឹងការអភិវឌ្ឍន៍ ML sensor algorithm ដែលគ្រប់គ្រងដោយទិន្នន័យ
ស្វែងយល់ពីលំហូរការងារពីការប្រមូលទិន្នន័យតាមរយៈសុពលភាព និងការធ្វើតេស្តលើឧបករណ៍សម្រាប់បង្កើតគំរូ IoT
បង្កើតគំរូថែទាំដែលព្យាករណ៍ពី HVAC ដែលកំពុងដំណើរការពីការចាប់ផ្តើមរហូតដល់បញ្ចប់
ដោះស្រាយសំណួរដែលអ្នកប្រហែលជាមានអំពីដំណើរការបង្កើតគំរូ TinyML

កម្មវិធីថែទាំការព្យាករណ៍ HVAC ដែលកំពុងដំណើរការ

សម្រាប់គោលបំណងនៃផ្នែកនៅលើដៃរបស់យើង យើងនឹងបង្កើតឧបករណ៍ត្រួតពិនិត្យកង្ហារឆ្លាតវៃ
កង្ហារត្រូវបានប្រើប្រាស់គ្រប់ទីកន្លែងក្នុងការសាងសង់ប្រព័ន្ធ HVAC៖ ផ្លុំខ្យល់ ការធ្វើឱ្យត្រជាក់សកម្មនៃឧបករណ៍ ប្រដាប់ទប់ខ្យល់ បំពង់ខ្យល់

ការបរាជ័យឬការរិចរិលអាចបណ្តាលឱ្យបាត់បង់ប្រសិទ្ធភាព ការប្រើប្រាស់ថាមពលកើនឡើង ការបរាជ័យ HVAC
យើងនឹងបង្កើតឧបករណ៍ត្រួតពិនិត្យសាមញ្ញមួយដែលអាចរកឃើញស្ថានភាពអ្នកគាំទ្រធម្មតា និងមិនប្រក្រតីជាច្រើន៖
- កង្ហារបិទ / បើក
- ការដំឡើងរលុង
- ការរារាំងអ្នកគាំទ្រ
- លំហូរខ្យល់ដោយផ្នែកឬពេញលេញ
- ការប៉ះទង្គិចនៃកាំបិត
- រំញ័រលើស

តោះចាប់ផ្តើមដំណើរការ

សិក្ខាសាលា "ពេលវេលាពិត" នីតិវិធីជាជំហាន ៗ សម្រាប់ការបង្កើតគំរូ - 60 នាទី។

កម្មវិធីបង្កប់ប្រមូលទិន្នន័យដែលត្រូវគ្នាជាមួយ Flash SensiML ទៅកាន់ Thunderboard Sense 2 (TBS2)
កំណត់រចនាសម្ព័ន្ធ និងភ្ជាប់ TBS2 ទៅ SensiML Data Capture Lab
ចាប់យកទិន្នន័យ 'ការបង្ហាញស្លាយ' ជាមួយបន្ទះទទេ (អ្នកប្រើប្រាស់នឹងមិនមានឧបករណ៍អ្នកគាំទ្រទេ)
ដាក់ស្លាកទិន្នន័យ និងរក្សាទុក និង sample គម្រោង (យើងនឹងមិនប្រើសម្រាប់វគ្គសិក្សាដែលនៅសល់)
ហៅស្ទូឌីយោវិភាគ (នៅចំណុចនេះ អ្នកប្រើប្រាស់នឹងធ្វើការពីសំណុំទិន្នន័យការបង្ហាញអ្នកគាំទ្រ TBS2 ដែលបានប្រមូលជាមុន)
ធ្វើការតាមរយៈជំហានសម្រាប់ការបង្កើតគំរូនៃគំរូការរកឃើញស្ថានភាពអ្នកគាំទ្រ
បង្កើតកញ្ចប់ចំណេះដឹង
ម៉ូដែល Flash ទៅ TBS2

វីដេអូសាកល្បង

ឯកសារ/ធនធាន

SensiML បន្ថែមការព្យាករក្នុងការថែទាំឧបករណ៍ឆ្លាតវៃ [pdf] សេចក្តីណែនាំ
បន្ថែមការថែទាំតាមព្យាករក្នុងឧបករណ៍សាងសង់ឆ្លាតវៃ ការថែទាំឧបករណ៍សាងសង់ឆ្លាតវៃ ឧបករណ៍សាងសង់ឆ្លាតវៃ ឧបករណ៍សាងសង់

ឯកសារយោង

សៀវភៅណែនាំអ្នកប្រើប្រាស់

SensiML បន្ថែមការព្យាករក្នុងការថែទាំឧបករណ៍ឆ្លាតវៃ

របៀបវារៈ