SensiML端到端AI工具包

有没有办法在边缘简化机器学习算法的创建和验证？这是 SensiML 在Virtual ST Developers Conference 2020期间的热门演讲中回答的一个问题。人工智能在展会上占有重要地位。我们甚至在 ST 博客主办的设计公司圆桌会议上看到了它。在讨论过程中，小组成员解释了客户如何开始要求具有机器学习功能的产品。因此，我们认为有必要与ST 合作伙伴计划成员 SensiML 的首席执行官兼创始人 Chris Roger 坐下来了解他的团队在 ST 开发者大会上展示的工具的范围和重要性的更多背景信息。

挑战：前端数据收集

尽管专家们多年来一直在谈论它，但边缘的机器学习仍然是一项年轻的技术。因此，工程师经常不得不依赖许多不同的工具和复杂的工作流程。因此，当团队从开发过程的一个步骤转移到下一个步骤时，他们可能会面临更大的挑战。SensiML 使用涵盖数据捕获、算法生成和验证的端到端工具包解决了这个问题。此外，SensiML 解决方案也是透明的，可通过 GUI 和 Python IDE 进行扩展。因此，一旦团队开始掌握机器学习应用程序，他们就不会超越它，但新手仍然可以使用它。事实上，该公司提供了许多教程和视频以上解释了工程师如何使用 SensiML 工具包。因此，我们认为有必要进一步推动对话，并决定与 Chris 讨论 TinyML 应用程序的一些主要缺陷，以及他的团队正在做些什么来进一步优化工作流程。

数据采集

SensiML 数据仓库和 SensorTile.box 支持

数据捕获本身就是一个难以解决的问题，因为那些没有数据的人必须进行大量投资才能获得数据，因为拥有数据的人宁愿自己保留也不愿分享。因此，SensiML 是一个独特的合作伙伴，因为该公司解决了这两个问题。首先，它提供了一个用作数据集库的数据仓库。一些示例甚至附带教程，以帮助刚接触机器学习应用程序的团队。其次，SensiML工具包连接到SensorTile.box，使用ST的传感器平台采集信息。 上面的视频演示实际上展示了如何使用我们的电路板快速捕捉风扇振动。只需点击几下，SensiML 软件就可以通过串行端口传输传感器的数据。

从 BLE 到 MQTT

SensiML CEO 还告诉我们他的工程师如何使用 SensorTile 来评估低功耗蓝牙的局限性。该协议的低数据速率迫使他们依赖外部存储卡，因为系统无法一次传输所有内容。因此，SensiML 团队意识到他们需要一些更强大的东西，特别是对于工业应用。Chris 解释说，他的团队致力于使用 MQTT 协议与 ST 传感器进行交互。这需要时间，但他们最终能够使用 MQTT over serial 来减少开销，同时受益于更高的数据速率。如今，SensiML 用户只需选择一个选项即可轻松利用所有这些功能。

优化工作流程

自动贴标

SensiML 演示文稿引人注目的另一个原因是它解决了一个经常被设计师忽视的挑战：标签。拥有一个或多个 AI 项目的团队知道数据收集的难度。我们最近在分享 ST 工程师如何设计我们的婴儿哭泣检测器应用程序时强调了这一事实。数据采集​​具有挑战性。然而，一旦工程师有了数据集，他们仍然需要对其进行标记，这是另一个影响巨大的复杂过程。大多数竞争框架都以庞大的 CSV 文件开始，这些文件变得非常笨拙。这种数据结构很容易出错，部分原因是标记过程变得如此乏味。

SensiML 使用捕获信号并标记它们的工具解决了这个问题。例如，它的数据洞察技术可以自动化标签操作。用户首先描述了几十个例子。然后，该工具包会推断出它认为是相同的样本。因此，工程师只需要验证工具的自动标签或更改一些虚假数据。最终，这个过程变得更简单、更快、更愉快。SensiML 还提供版本控制功能。如果团队处理多个数据集并由于问题不断增加而希望回溯到较早的注释，他们可以使用回滚功能返回到首选会话。

使用 STM32CubeMX 和 LSM6DSOX

上面的视频很好地解释了 SensiML 工作流程，并展示了工程师如何更快地开发机器学习应用程序。此外，Chris 还告诉我们，工作流优化的下一步是与STM32CubeMX更好地交互。

审核编辑：郭婷