Embedded Künstliche Intelligenz (KI) Technologie wird schnell die grundlegende Fähigkeiten Kantenbearbeitung, so dass die ‚intelligenten‘ Geräte Umgebung ‚erkennen‘, und Entscheidungen über die zu geringes oder ohne menschliches Eingreifen empfangenen Informationen basieren. NXP Maschinenumgebung Lernen förderlich für die Entwicklung des maschinellen Lernens in Vision, Sprache und Erkennung von Anomalien im Bereich der Anwendung des schnellen Wachstums Eingabeinformationen über maschinelles Lernen Anwendungen Sicht durch die Kamera auf verschiedene Arten von Algorithmen der maschinellen Lernens (neuronales Netz, in dem die beliebteste) basieren. Diese Anwendungen umfassen die meisten vertikalen Marktsegmente und Objektidentifikation, Authentifizierung, demographische und andere Funktionen ausführen. sprachaktivierte Vorrichtung (VAD) fördert, wie Kanten Maschine benötigt, um zu erreichen, um die Wake-up-Worterkennung, sowie zur Verarbeitung natürlicher Sprache lernen ' Voice User Interface ‚Anwendung. Anomalieerkennung maschinelles Lernen identifiziert werden kann (Vibration / Ton-Modus) drohender Ausfall, dadurch stark 4.0 Ausfallzeiten, schnelle Veränderungen in der Industrie zu reduzieren. NXP auf einer Vielzahl von Maschinen-Basis für Kunden lernen integriert in das Anwendungsprogramm. NXP maschinelles Lernen Entwicklungsumgebung kostenlos zur Verfügung gestellt Die Software ermöglicht es Kunden, ihre eigenen TensorFlow- oder Caffe-Modelle zu importieren, sie in eine optimierte AI-Inferenz-Engine zu konvertieren und NXPs umfangreiche skalierbare Verarbeitungslösungen von MCUs zu hoch integrierten i.MX- und Layerscape-Prozessoren zu implementieren ).
‚Wenn in Embedded-Anwendungen für maschinelles Lernen verwendet wird, ist zu berücksichtigen, die Kosten und die Endanwender-Erfahrung. Zum Beispiel unserer kosteneffiziente MCU kann auch AI Inferenzmaschine eingesetzt werden und eine angemessene Leistung erhalten, die so viele Menschen immer noch überrascht sind. ‚Markus Levy NXP künstliche Intelligenz Technology Director, sagte:‘ auf der anderen Seite, unsere grenzüberschreitenden und leistungsfähigen Applikationsprozessor hat auch eine leistungsfähige Verarbeitungsfähigkeiten in vielen Kundenanwendungen schnell Argumentation AI umgesetzt werden können und Ausbildung. mit der Anwendung von AI Während wir weiter expandieren, werden wir das Wachstum in diesem Anwendungsgebiet durch Prozessoren der nächsten Generation vorantreiben, die das maschinelle Lernen beschleunigen sollen.
Eine weitere wichtige Anforderung der AI / Technologie für maschinelles Lernen in den Bereichen Computer-Anwendungen, die sicher konfigurieren und verwalten Dinge und Edge-Geräte aus der Cloud einfach und sicher einzusetzen und aktualisieren Embedded-Geräte. EdgeScale Plattform-Unterstützung sein kann. EdgeScale durch die Integration in die Cloud KI / Maschinen lernen und Inferenz-Engines und automatisch integrierte Module für Edge-Geräte für End-to-End-kontinuierliche Entwicklung und Lieferung Erfahrung.
Um eine breite Palette von Kundenanforderungen gerecht zu werden, hat NXP auch ein maschinelles Lernen Partner-Ökosystem geschaffen, durch bewährte Maschinen Learning-Tools verknüpfen Kunden und Technologieanbieter, Inferenzmaschine, Lösungen und Design-Service Produktentwicklung zu beschleunigen, Mitglieder der Produktion und Markteinführungszeit. Ökosysteme umfassen Au-Zone Technologies und Pilot.AI. Au-Zone Technologies stellt die branchenweit erste End-to-Embedded maschinelles Lernen Toolkit und Runtime-Inferenzmaschine Deepview, so dass Entwickler die NXP Alle Produktzusammensetzungen SoC (einschließlich Arm Cortex-a, Cortex-M Kern Isomerengemisch und die GPU) CNN zu implementieren und konfigurieren. Pilot.AI Rahmen ausgebildet ist, kann die Plattform in einer Vielzahl von Kunden (von dem Mikrocontroller Verschiedene Wahrnehmungsaufgaben werden auf GPUs implementiert, einschließlich Erkennung, Klassifizierung, Verfolgung und Identifizierung, und Datensammlungs- / Klassifizierungswerkzeuge und vortrainierte Modelle werden bereitgestellt, um die Modellbereitstellung direkt zu implementieren.