
ST rend ses détecteurs de mouvement compatibles avec l’outil d’apprentissage automatique AutoML de Qeexo Le californien Qeexo, qui a développé sous le nom d’AutoML une plate-forme automatisée d’apprentissage automatique qui accélère le développement et le déploiement de modèles TinyML en périphérie de réseau (edge) (lire notre article ici), s’est rapproché de STMicroelectronics afin de porter les capteurs MLC (Machine Learning Core) de la société de semi-conducteurs dans son outil. ... L’environnement AutoML vise à guider les utilisateurs durant l’intégralité du processus de développement d’un logiciel d’apprentissage automatique (ML, Machine Learning) à travers une interface utilisateur intuitive et ce sans avoir à écrire une seule ligne de code, assure Qeexo. Après la définition du projet, l’utilisateur peut ainsi choisir le ou les types de capteurs et la cible matérielle (au choix parmi les plates-formes déjà disponibles auprès d’Arduino, Renesas ou STMicroelectronics), lancer la récupération et l’enregistrement de données, sélectionner une ou plusieurs méthodes d’apprentissage automatique, comparer les résultats obtenus avec ces différents algorithmes, puis traduire les modèles retenus en C avant compilation et déploiement sur la cible embarquée. De leur côté, les capteurs MLC de STMicroelectronics permettent de réduire considérablement la consommation d'énergie globale d’un système en exécutant eux-mêmes des algorithmes liés à la détection de mouvements notamment (), bâtis à partir de grands jeux de données détectées. Algorithmes qui, autrement, seraient exécutés par le processeur hôte (lire nos articles ici et ici). À l'aide de ces données, la plate-forme AutoML de Qeexo peut donc dorénavant générer automatiquement des solutions d'apprentissage automatique particulièrement optimisées pour les appareils de périphérie de réseau, avec une latence très réduite, une consommation d'énergie ultrafaible et une empreinte mémoire très compacte. Selon ST, ces solutions algorithmiques surmontent les limites à la puissance de calcul et à la capacité mémoire imposées par la taille des puces et ce grâce à des modèles ML adaptées aux caractéristiques des capteurs MLC qui prolongent l’autonomie des systèmes. « Notre collaboration avec ST permet désormais aux développeurs d'applications de créer et de déployer rapidement des algorithmes d'apprentissage automatique sur les capteurs MLC sans consommer de ressources système et de cycles sur le microcontrôleur hôte, et ce pour une large éventail d'applications, y compris des cas d'usage industriels et IoT », s’est réjoui Sanq Won Lee, le CEO de Qeexo. () Parmi les capteurs MLC de ST, on compte les capteurs inertiels iNEMO LSM6DSOX et les centrales à inertie (IMU) à six axes iNEMO ISM330DHCX et LSM6DSRX.

ST rend ses détecteurs de mouvement compatibles avec l’outil d’apprentissage automatique AutoML de Qeexo

Le californien Qeexo, qui a développé sous le nom d’AutoML une plate-forme automatisée d’apprentissage automatique qui accélère le développement et le déploiement de modèles TinyML en périphérie de réseau (edge) (lire notre article ici), s’est rapproché de STMicroelectronics afin de porter les capteurs MLC (Machine Learning Core) de la société de semi-conducteurs dans son outil. ...

L’environnement AutoML vise à guider les utilisateurs durant l’intégralité du processus de développement d’un logiciel d’apprentissage automatique (ML, Machine Learning) à travers une interface utilisateur intuitive et ce sans avoir à écrire une seule ligne de code, assure Qeexo. Après la définition du projet, l’utilisateur peut ainsi choisir le ou les types de capteurs et la cible matérielle (au choix parmi les plates-formes déjà disponibles auprès d’Arduino, Renesas ou STMicroelectronics), lancer la récupération et l’enregistrement de données, sélectionner une ou plusieurs méthodes d’apprentissage automatique, comparer les résultats obtenus avec ces différents algorithmes, puis traduire les modèles retenus en C avant compilation et déploiement sur la cible embarquée.

De leur côté, les capteurs MLC de STMicroelectronics permettent de réduire considérablement la consommation d'énergie globale d’un système en exécutant eux-mêmes des algorithmes liés à la détection de mouvements notamment (*), bâtis à partir de grands jeux de données détectées. Algorithmes qui, autrement, seraient exécutés par le processeur hôte (lire nos articles ici et ici).

À l'aide de ces données, la plate-forme AutoML de Qeexo peut donc dorénavant générer automatiquement des solutions d'apprentissage automatique particulièrement optimisées pour les appareils de périphérie de réseau, avec une latence très réduite, une consommation d'énergie ultrafaible et une empreinte mémoire très compacte. Selon ST, ces solutions algorithmiques surmontent les limites à la puissance de calcul et à la capacité mémoire imposées par la taille des puces et ce grâce à des modèles ML adaptées aux caractéristiques des capteurs MLC qui prolongent l’autonomie des systèmes.

« Notre collaboration avec ST permet désormais aux développeurs d'applications de créer et de déployer rapidement des algorithmes d'apprentissage automatique sur les capteurs MLC sans consommer de ressources système et de cycles sur le microcontrôleur hôte, et ce pour une large éventail d'applications, y compris des cas d'usage industriels et IoT », s’est réjoui Sanq Won Lee, le CEO de Qeexo.

(*) Parmi les capteurs MLC de ST, on compte les capteurs inertiels iNEMO LSM6DSOX et les centrales à inertie (IMU) à six axes iNEMO ISM330DHCX et LSM6DSRX.