EMB_77

47 EMBEDDED SETTEMBRE EDGE COMPUTING | HARDWARE chine learning) e l’apprendimento profondo (deep D À supportare processi compute-intensive (ovvero che richiedono grosse risorse di calcolo) vengono solitamente addestrate per soddisfare le esigen- ! ! À # ! ' À rispetto al trasferimento del materiale di adde- stramento sul cloud. Il processo di deep learning si articola in quattro differenti fasi: 1. Raccolta dei campioni 2. Addestramento 3. Trasformazione della rete opportunamente istruita 4. Integrazione della rete addestrata nel prodotto In base alle esperienze maturate dai clienti di S&T Technologies , questi ultimi nella maggior parte dei casi si aspettano di avere un prodotto À ! del riconoscimento degli oggetti. Un MVP (Mini- mum Viable Product), ovvero la versione iniziale del prodotto che soddisfa i requisiti minimi, deve avere una “hit rate” (ovvero una percentuale di successo) pari ad almeno l’80%. I ! À e bilance dei supermercati dovrebbero essere in grado di riconoscere automaticamente il tipo di frutta e verdure che viene pesato in modo che i clienti non siano più costretti a ricordare il nu- mero dell’articolo e digitarlo manualmente. Gli addetti alle casse, inoltre, non dovranno più veri- À !! - # $ el caso di depilazione permanente profes- sionale tramite laser eseguita presso uno stu- dio dermatologico, il dispositivo può riconoscere automaticamente il tipo di pelle sul quale viene eseguita l’operazione, quindi il dottore non deve più effettuare complesse operazioni di analisi e regolazione. Il framework software . )7 7 À À 0 8 $ 9 (% 7( $ : software può anche essere utilizzato per collegare dispositivi IoT e altri componenti in ambienti industriali “dall’edge, al fog, al cloud”