EMB_81

MACHINE LEARNING | SOFTWARE 55 EMBEDDED SETTEMBRE scimento vocale e facciale nelle auto connesse, le tele- À all’interno delle abitazioni e la manutenzione predittiva per elettrodomestici e apparecchiature industriali. Il mercato dell’apprendimento automatico si sta espan- dendo rapidamente e i casi d’uso delle applicazioni in- telligenti a bordo rete stanno crescendo a un ritmo espo- nenziale. Secondo TIRIAS Research , entro il 2025 il Accelerare l’apprendimento automatico a bordo rete con tool di sviluppo open source di semplice uso Markus Levy - Director of AI and Machine Learning Technologies Anthony Huereca - system engineer NXP Semiconductors L’ IoT ha introdotto miliardi di dispositivi connessi À e ambienti urbani. I pionieri dell’IoT hanno immaginato vaste reti di nodi di sensori wireless che trasmettono al cloud trilioni di byte di dati per l’aggregazione, l’anali- si e il processo decisionale. Tuttavia, negli ultimi anni, la visione dell’intelligenza basata su cloud e alimentata dall’IoT sta lasciando il posto a un nuovo paradigma: l’intelligenza a bordo rete. Sfruttando i più recenti progressi nelle tecnologie di apprendimento automatico (ML), gli sviluppatori em- bedded stanno estendendo la potenza dell’intelligenza À , %- 3 attuali dispositivi IoT a bassa potenza sono ora in gra- À D0 deep learning, senza dover ricorrere alla connettività cloud, minimizzando i problemi di latenza, prestazioni, sicurezza e privacy. Le nuove applicazioni emergenti ai margini delle reti ML/neurali includono gli assistenti personali intelligenti, la robotica di fabbrica, il ricono- Il numero di piattaforme, infrastrutture, tool e altre risorse di elaborazione disponibili per aiutare gli sviluppatori a creare e a eseguire le applicazioni di ML e i modelli di reti neurali sono in continua espansione: un esame dei diversi tool e infrastrutture di sviluppo e delle modalità da seguire per aiutare gli sviluppatori a semplificare i loro progetti di realizzazione di soluzioni di apprendimento automatico