EMB_81

HARDWARE | MACHINE LEARNING EMBEDDED SETTEMBRE 40 in termini di prestazioni, costi e fattori di forma, il tutto con requisiti stringenti di time-to-market. Per quanto riguarda le interfacce, gli ingressi, le uscite e l’utiliz- Á applicazioni. L - mento automatico richiede la gestione di più aspetti tec- nici, ma la maggior parte delle aziende dispone interna- mente solo di alcune delle competenze richieste. Data scientist, ingegneri specializzati nel machine learning e sviluppatori di software vengono quindi assunti per sviluppare, addestrare, perfeziona- re e testare modelli per l’appren- % è che questi modelli di solito non funzionano sull’hardware - $ la maggior parte degli ingegneri specializzati nel machine learning non ha mai utilizzato modelli su hardware - ne di risorse limitate. Per i model- li addestrati da utilizzare su SoC :#3 modello deve essere ottimizzato e quantizzato. I produttori di semiconduttori, a loro volta, si trovano di fronte al compito di sviluppare prodotti in grado di soddisfare nuovi requisiti Componenti per l’apprendimento automatico a bordo rete L’apprendimento automatico effettuato direttamente nel dispositivo offre il potenziale di rivoluzionare innumerevoli prodotti, sia che si tratti della categorizzazione di oggetti catturati da un sensore di imaging, dei gesti rilevati da un accelerometro o di frasi provenienti da un flusso audio. Tuttavia, per raggiungere questo obiettivo, gli algoritmi devono essere eseguiti su componenti embedded Zibo Su Product Manager Digital Rutronik Daniel Fisher Senior FAE EMEA GoWin Semiconductor Gli FPGA offrono la giusta interfaccia e una semplice scalabilità per ogni applicazione