Machine Learning

Vom Konzept bis zur Definition ist DAVE Embedded Systems in der Lage, den Kunden bei den Entscheidungen und Möglichkeiten zum Aufbau eines Machine-Learning-Projekts zu unterstützen und zu unterstützen. Um das Modell zu bauen, müssen Sie das physikalische Problem verstehen, verstehen, welche Technik am besten geeignet ist, und dann nicht nur fertige Datensätze recherchieren, sondern auch die anschließenden Trainings- und Testphasen durchführen, um die Genauigkeit des Modells zu messen.

Nachfolgend sind die Leistungen aufgeführt, die im Standardpaket enthalten sind. Je nach Projektspezifikation kann die Liste entsprechend angepasst werden:

• Model specification
• Model design based on exhisting techniques
• Dataset research and/or creation
• Dataset artificial generation
• PoC concept for model validation Model deployment strategy definition

DAVE Embedded Systems ist in der Lage, Lösungen für maschinelles Lernen auf Edge-Geräten zu integrieren, wobei alle grundlegenden Aspekte für den korrekten Einsatz dieser Lösungen im Feld berücksichtigt werden. Den Datensatz um neue oder vortrainierte Algorithmen herum aufzubauen, ihn zu verbessern und sogar künstlich zu erweitern, um das Lernen zu verbessern, bis hin zur Gestaltung der Integrationsverfahren an der Edge sind Teil der Dienstleistungen von DAVE Embedded Systems.

Die Funktionen, die normalerweise für die Bereitstellung des Modells am Edge erforderlich sind, sind unten aufgeführt:

• Design of APIs for model integration on embedded system
• MCU and MPU support to Machine Learning accelerator
• Integration of ML algorithms on internal Neural Processing Unit
• FPGA development for NPU acceleration
• External ML engine integration with MPU or MCU architecture
• Solution deployment for mass production integration

Die Ergebnisse eines maschinellen Lernalgorithmus können erheblich verbessert werden, wenn ein Rückkopplungsmechanismus aufgebaut wird, der den Algorithmus basierend auf neuen Daten kontinuierlich neu trainieren kann. Um die kontinuierliche Verbesserung des Modells zu gewährleisten, ist es notwendig, weiterhin Daten aus dem Feld zu sammeln, um den Algorithmus selbst zu verfeinern und damit die Vorhersageergebnisse spürbar zu verbessern. DAVE Embedded Systems ist in der Lage, Kunden bei diesem Prozess der Implementierung eines Feedback-Systems zu unterstützen, das IoT-Dienste stark nutzt, um implementiert zu werden.

Für eine optimale Leistung von Machine-Learning-Lösungen ist es notwendig, ein Feedback-System zu integrieren, um die Leistung der Lösung selbst kontinuierlich zu verbessern:

• Edge design integrating IoT solutions
• Remote update of both Edge system and Machine Learning subsystem
• Remote data collection for dataset expansion
• On-premises machine for continuous model training