Analog Devices ha presentato AutoML for Embedded, sviluppato congiuntamente con Antmicro. Si tratta di un plugin per Visual Studio Code basato sulla libreria Kenning e si integra con CodeFusion Studio. È disponibile infatti come parte del framework Kenning, una piattaforma open-source e agnostica dall’hardware in grado di ottimizzare, valutare e implementare modelli AI su dispositivi edge.
AutoML for Embedded, in pratica, automatizza la pipeline di machine learning end-to-end e consente agli sviluppatori meno esperti di costruire modelli di elevata qualità, ma aiuta anche gli specialisti ad accelerare la sperimentazione.
Dal punto di vista del funzionamento, AutoML for Embedded utilizza lo SMAC (Sequential Model-based Algorithm Configuration) per esplorare le architetture dei modelli e i parametri di training. Applicando Hyperband con Successive Halving concentra le risorse sui modelli più promettenti, verificando anche la dimensione del modello rispetto alla RAM del dispositivo per consentire un’implementazione ottimale. I modelli candidati possono quindi essere ottimizzati, valutati e sottoposti a benchmark utilizzando i flussi standard di Kenning, con report dettagliati su dimensioni, velocità e accuratezza per guidare le decisioni di implementazione.
Tra le altre potenziali applicazioni, Analog Devices indica la classificazione di immagini e rilevamento di oggetti su telecamere a basso consumo, la manutenzione predittiva e rilevamento delle anomalie nei sensori IoT industriali, l’elaborazione del linguaggio naturale per l’analisi del testo sul dispositivo e il riconoscimento di azioni in tempo reale nello sport e nella robotica.