SensiML ເພີ່ມການບໍາລຸງຮັກສາທີ່ຄາດເດົາໃນຄໍາແນະນໍາອຸປະກອນການກໍ່ສ້າງອັດສະລິຍະ

ການແນະນຳເຈົ້າພາບ – 5 ນາທີ
ແນະນຳແນວຄວາມຄິດ ແລະເປົ້າໝາຍສຳລັບຫ້ອງທົດລອງ – 10 ນາທີ
ການປະຕິບັດ "ເວລາຈິງ" ຂອງຂັ້ນຕອນໂດຍຂັ້ນຕອນສໍາລັບການສ້າງແບບຈໍາລອງ - 60 ນາທີ
- ເຟີມແວເກັບກຳຂໍ້ມູນທີ່ເຂົ້າກັນໄດ້ກັບ Flash SensiML ກັບ Thunderboard Sense 2 (TBS2)
- ຕັ້ງຄ່າ ແລະເຊື່ອມຕໍ່ TBS2 ກັບ SensiML Data Capture Lab
- ບັນທຶກຂໍ້ມູນ 'ສະໄລ້ຕົວຢ່າງ' ດ້ວຍກະດານເປົ່າ (ຜູ້ໃຊ້ຈະບໍ່ມີຊຸດພັດລົມ)
- ຂໍ້ມູນປ້າຍຊື່ແລະບັນທຶກແລະ sample project (ພວກເຮົາຈະບໍ່ໃຊ້ສໍາລັບສ່ວນທີ່ເຫຼືອຂອງຫຼັກສູດເຖິງແມ່ນວ່າ)
- ຮຽກຮ້ອງ Analytics Studio (ໃນຈຸດນີ້, ຜູ້ໃຊ້ຈະເຮັດວຽກຈາກຊຸດຂໍ້ມູນການສາທິດພັດລົມ TBS2 ທີ່ລວບລວມໄວ້ກ່ອນ)
- ເຮັດວຽກໂດຍຜ່ານຂັ້ນຕອນສໍາລັບການສ້າງຕົວແບບການຊອກຄົ້ນຫາລັດພັດລົມ
- ສ້າງຊຸດຄວາມຮູ້
- ທາງເລືອກ: ຮູບແບບ Flash ເປັນ TBS2

ວິດີໂອສາທິດການນຳໃຊ້ Smart Building Application – 5 ນາທີ
ຖາມ-ຕອບ – 10 ນາທີ

ແນະນໍາ SensiML

SensiML ເປັນບໍລິສັດເຄື່ອງມືຊອບແວ B2B ສໍາລັບ AI ຢູ່ຂອບ IoT
- ເຮັດໃຫ້ນັກພັດທະນາສາມາດສ້າງໂມເດວເຊັນເຊີ ML ຂະໜາດກະທັດຮັດໄດ້ໂດຍບໍ່ຕ້ອງມີຄວາມຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນ
- ຮຸ່ນນ້ອຍເຖິງ 10KB!
- ອະດີດທີມເຄື່ອງມືຊອບແວ Intel Curie/Quark MCU AI, ຖືກປະໄວ້ເພື່ອປະກອບເປັນ SensiML ໃນປີ 2017
Silicon Labs ແລະ SensiML Solution
- ນໍາເອົາ ML ທີ່ມີປະສິດທິພາບພະລັງງານມາໃຫ້ຄອບຄົວ EFR32/EFM32 MCU
- ການສ້າງຕົວແບບແອັບພລິເຄຊັນ IoT ອັດສະລິຍະຢ່າງວ່ອງໄວດ້ວຍ Thunderboard Sense 2

SensiML ມີຄວາມຫມັ້ນຄົງແລະການສະຫນັບສະຫນູນທົ່ວໂລກ
- ໄດ້ມາໃນປີ 2019 ໂດຍ QuickLogic Corp; ການຕັ້ງຄ່າແລະການດໍາເນີນການເປັນບໍລິສັດຊອບແວທີ່ເປັນເອກະລາດທັງຫມົດ (ອີງໃສ່ໃນ Portland, OR)
- ຄູ່ຮ່ວມງານຊ່ອງທີ່ສ້າງຕັ້ງຂຶ້ນ (Avnet, Future Electronics, Mouser, Shinko Shoji)
- ຫ້ອງການຂາຍ / ສະຫນັບສະຫນູນໃນອັງກິດ, ສະຫະລັດ, ຍີ່ປຸ່ນ, ໄຕ້ຫວັນ, ຈີນ

ໂອກາດສໍາລັບ TinyML ໃນອາຄານອັດສະລິຍະ

ສິ່ງທ້າທາຍກັບການພັດທະນາແອັບພລິເຄຊັນ Smart IoT Sensor ທີ່ມີຢູ່ແລ້ວ

Cloud-Centric AI

ການໂຫຼດການຈະລາຈອນເຄືອຂ່າຍສູງ
ຄວາມຍືດຍຸ່ນສູງ
ທົນທານຕໍ່ຄວາມຜິດພາດໜ້ອຍ
ບໍ່ຮູ້ຈັກຄວາມສ່ຽງຂອງຄວາມປອດໄພຂໍ້ມູນ
ຄວາມກັງວົນກ່ຽວກັບຄວາມເປັນສ່ວນຕົວ

ການຮຽນຮູ້ເລິກເຊິ່ງ

ຄວາມຕ້ອງການຂໍ້ມູນການຝຶກອົບຮົມຂະຫນາດໃຫຍ່
ຮອຍຄວາມຊົງຈໍາຂະຫນາດໃຫຍ່
ວຽກງານການປຸງແຕ່ງສູງ
ການບໍລິໂພກພະລັງງານສູງ
ອາຍຸແບັດເຕີຣີຂອງຈຸດສິ້ນສຸດບໍ່ດີ

ຈຸດສິ້ນສຸດດ້ວຍມື

ຊ້າ ແລະ ໃຊ້ແຮງງານຫຼາຍ
ຂະໜາດລະຫັດທີ່ບໍ່ຮູ້ຈັກຢູ່ທາງໜ້າ
ຄວາມຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນທີ່ຂາດແຄນ
ຫ້ອງສະໝຸດລະຫັດ AI/ML ທີ່ຊັບຊ້ອນ
ບໍ່ສາມາດຂະຫຍາຍໄດ້/ສາມາດແຂ່ງຂັນໄດ້

TinyML = IoT Edge ML + AutoML

IoT Edge ML: ຈຸດສິ້ນສຸດທີ່ປົກຄອງຕົນເອງ
- ການປ້ອນຂໍ້ມູນຜ່ານເຄືອຂ່າຍເລັກນ້ອຍ ແລະອາຍຸແບັດເຕີຣີໄຮ້ສາຍດົນນານ
- ບໍ່ມີການປະມວນຜົນຄລາວ ຫຼືການຂຶ້ນກັບເຄືອຂ່າຍ
- ການຕອບສະ ໜອງ ໃນເວລາຈິງ
AutoML: ເພີ່ມປະສິດທິພາບໂດຍບໍ່ມີຄວາມຊ່ຽວຊານ AI
- Auto-optimizer ເລືອກຮູບແບບທີ່ດີທີ່ສຸດສໍາລັບຂໍ້ມູນທີ່ສະຫນອງໃຫ້
- ການຮຽນຮູ້ເຄື່ອງຈັກຄລາສສິກ (ML) ຜ່ານການຮຽນຮູ້ເລິກ
- SensiML TinyML ໃຫ້ຜົນຜະລິດແບບຈໍາລອງຂະຫນາດນ້ອຍເຖິງ 10KB!

ບໍ່ຕ້ອງຂຽນລະຫັດດ້ວຍມື
- ລະຫັດຕົວແບບທີ່ສ້າງຂຶ້ນໂດຍອັດຕະໂນມັດຈາກຊຸດຂໍ້ມູນການຝຶກອົບຮົມ ML
- ປະຫຍັດຄວາມພະຍາຍາມໃນການພັດທະນາຫຼາຍເດືອນ, ແລະຄວາມຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນ
- ນັກພັດທະນາສາມາດປ່ຽນທຸກດ້ານຂອງລະຫັດ AutoML ຕາມທີ່ຕ້ອງການ

ຂະບວນການສ້າງແບບຈໍາລອງ

ບັນທຶກຂໍ້ມູນ

ເວລາ: ຊົ່ວໂມງຫາອາທິດ* (ຂຶ້ນກັບຄວາມຊັບຊ້ອນການເກັບກຳຂໍ້ມູນແອັບພລິເຄຊັນ)
ທັກສະ: Domain Expertise (ຕາມທີ່ຕ້ອງການເພື່ອເກັບກໍາແລະຕິດສະຫຼາກເຫດການທີ່ມີຄວາມສົນໃຈ)

ໝາຍເຫດ: ພວກເຮົາຈະນໍາໃຊ້ຂໍ້ມູນບາງຢ່າງທີ່ເກັບກໍາມາກ່ອນຫນ້ານີ້ເພື່ອເລັ່ງຂັ້ນຕອນນີ້ສໍາລັບກອງປະຊຸມ

ສ້າງຕົວແບບ

ເວລາ: ນາທີຫາຊົ່ວໂມງ (ຂຶ້ນກັບລະດັບຂອງການຄວບຄຸມຕົວແບບອອກແຮງ)

ທັກສະ: ບໍ່ມີ (ເຕັມ AutoML)
- ແນວຄວາມຄິດພື້ນຖານ ML (ການປັບແຕ່ງ UI ຂັ້ນສູງ)
- Python Programming (ການຄວບຄຸມທໍ່ເຕັມ)

ອຸປະກອນທົດສອບ

ເວລາ: ນາທີຫາອາທິດ (ຂຶ້ນກັບຄວາມຕ້ອງການການເຊື່ອມໂຍງລະຫັດແອັບຯ)

ທັກສະ: ບໍ່ມີ (ເຟີມແວໄບນາຣີທີ່ມີລະຫັດຫໍ່ຫຸ້ມຫໍ່ I/O ທີ່ສ້າງຂຶ້ນອັດຕະໂນມັດ)
ການຝັງໂປຣແກຣມ (ການລວມເອົາຫ້ອງສະໝຸດ SensiML ຫຼືແຫຼ່ງ C ກັບລະຫັດຜູ້ໃຊ້)

ເປົ້າໝາຍກອງປະຊຸມ

ແນະນຳຊຸດເຄື່ອງມື TinyML ຂອງ SensiML ແລະຂະບວນການສ້າງຕົວແບບໃນ Silicon Labs Thunderboard Sense 2

ມີປະສົບການກັບການພັດທະນາ ML sensor algorithm ທີ່ມີການເບິ່ງແຍງຈາກຂໍ້ມູນ
ຮຽນຮູ້ຂັ້ນຕອນການເຮັດວຽກຈາກການເກັບກຳຂໍ້ມູນຜ່ານການກວດສອບ ແລະການທົດສອບໃນອຸປະກອນສຳລັບການສ້າງຕົວແບບ IoT
ສ້າງແບບຈໍາລອງການບໍາລຸງຮັກສາທີ່ຄາດເດົາ HVAC ທີ່ເຮັດວຽກເລີ່ມຕົ້ນຈົນເຖິງສໍາເລັດຮູບ
ແກ້ໄຂຄໍາຖາມທີ່ທ່ານອາດມີກ່ຽວກັບຂະບວນການສ້າງຕົວແບບ TinyML

ຄໍາຮ້ອງສະຫມັກການບໍາລຸງຮັກສາການຄາດເດົາ HVAC ທີ່ເຮັດວຽກ

ສໍາລັບຈຸດປະສົງຂອງສ່ວນທີ່ເຮັດດ້ວຍມືຂອງພວກເຮົາ, ພວກເຮົາຈະສ້າງອຸປະກອນຕິດຕາມພັດລົມອັດສະລິຍະ
ພັດລົມທີ່ໃຊ້ຢູ່ທົ່ວທຸກແຫ່ງໃນການສ້າງລະບົບ HVAC: ເຄື່ອງເປົ່າລົມ, ເຄື່ອງເຮັດຄວາມເຢັນຢ່າງຫ້າວຫັນ, ເຄື່ອງຈັບລົມ, ທໍ່ລະບາຍອາກາດ

ຄວາມລົ້ມເຫຼວຫຼືການເຊື່ອມໂຊມສາມາດເຮັດໃຫ້ເກີດການສູນເສຍປະສິດທິພາບ, ການບໍລິໂພກພະລັງງານເພີ່ມຂຶ້ນ, ຄວາມລົ້ມເຫຼວຂອງ HVAC
ພວກເຮົາຈະສ້າງອຸປະກອນຕິດຕາມກວດກາທີ່ງ່າຍດາຍທີ່ສາມາດກວດພົບການພັດລົມປົກກະຕິແລະຜິດປົກກະຕິຫຼາຍ:
- ພັດລົມປິດ / ເປີດ
- mounts ວ່າງ
- ການຂັດຂວາງພັດລົມ
- ການໄຫຼວຽນຂອງອາກາດເປັນບາງສ່ວນ ຫຼືຖືກບລັອກຢ່າງເຕັມສ່ວນ
- ການຂັດແຜ່ນໃບ
- ການສັ່ນສະເທືອນເກີນ

ໃຫ້ເລີ່ມຕົ້ນຂະບວນການ

ກອງປະຊຸມ "ເວລາຈິງ" ຂັ້ນຕອນການສ້າງແບບຈໍາລອງ - 60 ນາທີ

ເຟີມແວເກັບກຳຂໍ້ມູນທີ່ເຂົ້າກັນໄດ້ກັບ Flash SensiML ກັບ Thunderboard Sense 2 (TBS2)
ຕັ້ງຄ່າ ແລະເຊື່ອມຕໍ່ TBS2 ກັບ SensiML Data Capture Lab
ບັນທຶກຂໍ້ມູນ 'ສະໄລ້ຕົວຢ່າງ' ດ້ວຍກະດານເປົ່າ (ຜູ້ໃຊ້ຈະບໍ່ມີຊຸດພັດລົມ)
ຂໍ້ມູນປ້າຍຊື່ແລະບັນທຶກແລະ sample project (ພວກເຮົາຈະບໍ່ໃຊ້ສໍາລັບສ່ວນທີ່ເຫຼືອຂອງຫຼັກສູດເຖິງແມ່ນວ່າ)
Invoke Analytics Studio (ໃນຈຸດນີ້, ຜູ້ໃຊ້ຈະເຮັດວຽກຈາກຊຸດຂໍ້ມູນການສາທິດພັດລົມ TBS2 ທີ່ລວບລວມໄວ້ກ່ອນ)
ເຮັດວຽກໂດຍຜ່ານຂັ້ນຕອນສໍາລັບການສ້າງຕົວແບບການຊອກຄົ້ນຫາລັດພັດລົມ
ສ້າງຊຸດຄວາມຮູ້
ຮູບແບບ Flash ກັບ TBS2

ວິດີໂອສາທິດ

ເອກະສານ / ຊັບພະຍາກອນ

SensiML ເພີ່ມການບໍາລຸງຮັກສາທີ່ຄາດເດົາໃນອຸປະກອນການກໍ່ສ້າງອັດສະລິຍະ [pdf] ຄໍາແນະນໍາ
ຕື່ມການບໍາລຸງຮັກສາທີ່ຄາດເດົາໃນອຸປະກອນການກໍ່ສ້າງອັດສະລິຍະ, ການບໍາລຸງຮັກສາໃນອຸປະກອນອາຄານອັດສະລິຍະ, ອຸປະກອນການກໍ່ສ້າງອັດສະລິຍະ, ອຸປະກອນການກໍ່ສ້າງ

ເອກະສານອ້າງອີງ

ຄູ່ມືຜູ້ໃຊ້

SensiML ເພີ່ມການບໍາລຸງຮັກສາທີ່ຄາດເດົາໃນອຸປະກອນການກໍ່ສ້າງອັດສະລິຍະ

ວາລະ