TDK Corporation annoncerer betydelige fremskridt inden for sensorteknologi, der optimerer og accelererer implementeringen af smarte IoT-løsninger med Sensor GPT. Teknologien bruger generativ AI, signalbehandling, statistiske metoder og simuleringer til at oprette og administrere sensordata i stor skala. TDKs Sensor GPT vil give både markedet for smart IoT og det nye Ambient IoT-markedssegment mulighed for at overvinde udfordringer i forhold til skalering gennem strømlinet modeludvikling og -implementering. Det reducerer både tid og omkostninger og forbedrer ydelse samt effektivitet af edge AI-modeller og -applikationer betydeligt.
Næsten 80 % af AI-udviklingstiden bruges på dataindsamling og -behandling. Efterhånden som efterspørgslen efter edge AI-fortsætter med at accelerere, er datatilgængelighed blevet den primære barriere for skalerbarhed. Sensor GPT imødegår den udfordring ved at reducere afhængigheden af data fra den virkelige verden gennem intelligent sensordatasyntese, hvilket vil reducere dataindsamlingsindsatsen fra 80 % til næsten 10 % og muliggøre hurtigere og mere skalerbar udvikling af edge-AI.
Fremskridt inden for SensorGPT-datasynteseteknologi:
– Generative AI-modeller: Træn generative modeller over begrænsede data fra den virkelige verden for at lære underliggende mønstre og generere syntetiske data af høj kvalitet, der trofast efterligner data fra den virkelige verden.
– Fysikbaserede simuleringsmodeller: Udnyttelse af fysikbaserede og matematiske modeller til at simulere og generere syntetiske sensordata.
– Signalbehandlingsmetoder: Anvendelse af matematiske og beregningsmæssige teknikker til at simulere data, der afspejler dynamikken og karakteristikaene ved reelle sensoroutput.
– Dataforstærkningsteknikker: Automatisk transformation af eksisterende sensordata til rige, forskelligartede datasæt, der spænder over en bred vifte af forhold og scenarier.
– Assisteret annotation: Strømlining af mærkningen af træningsdata, hvilket øger deres anvendelighed og kvalitet til modeltræning.
SensorGPT genererer 90 % lighed mellem syntetiske og virkelige sensordata, hvilket muliggør brugen af de syntetisk genererede data til hurtigere implementering af edge AI-løsninger. Når den er implementeret, driver den en positiv cirkel af feedbackdrevet forbedring, hvor data fra den virkelige verden gradvist forfiner og styrker syntetiske modeller over tid, hvilket igen fører til mere effektivt implementerede modeller.
Differentiering af SensorGPT i forhold til eksisterende teknologier:
– Forbedret skalerbarhed ved at generere store og forskelligartede datasæt, der hurtigt hjælper med at skabe AI-løsninger til edge-applikationer.
– Hurtigere innovation og accelereret udvikling ved at give hurtig adgang til data til prototyping, testning og implementering af indledende modeller.
– Tilpasningsmulighed ved at levere værktøjer til at skræddersy data til specifikke sensorer, smarte IoT-applikationer og virkelige scenarier og forhold, de opererer under.
– Gør edge-intelligens mulig i den voksende efterspørgsel efter fangst af kvalitetsdata til smarte edge AI-applikationer.
TDK’s nye SensorGPT accelererer i sidste ende prototyping og proof of concepts, hvilket muliggør udvidelse af datasæt i størrelsesordener, afhængigt af applikation og use case, hvilket reducerer byggetiden for edge AI-modeller betydeligt fra 5+ måneder ned til et par uger.
