Vandaag zijn we verheugd om de lancering aan te kondigen van Edge Impulse’s nieuwe auto machine learning tool, de EON Tuner! De EON Tuner helpt u bij het vinden en selecteren van het beste embedded machine learning-model voor uw toepassing binnen de beperkingen van uw doelapparaat. De EON Tuner analyseert uw invoergegevens, mogelijke signaalverwerkingsblokken en neurale netwerkarchitecturen – en geeft u een overzicht van mogelijke modelarchitecturen die passen bij de latentie- en geheugenvereisten van uw gekozen apparaat. Benieuwd om de EON Tuner in actie te zien? In dit of dit openbare project kun je de resultaten van de EON Tuner zien in onze ‘Reageren op je stem’ datasets.
Introductie van de EON Tuner
Terwijl bestaande “AutoML” tools zijn alleen gericht op machine learning, de EON Tuner voert end-to-end optimalisaties uit, van het digitale signaalverwerkingsalgoritme (DSP) tot het machine learning-model, zodat u de ideale afweging tussen deze twee blokken kunt vinden om optimale prestaties op uw doel te bereiken hardware.
De EON Tuner is een technisch hulpmiddel dat is ontworpen om ontwikkelaars in staat te stellen de beste afwegingen te maken voor hun specifieke toepassing. Deze taak kan meestal alleen worden bereikt door een domeinexpert die complexe modeltrainingssystemen en codebases gebruikt.
Edge Impulse biedt momenteel verstandige parameterinstellingen voor onze DSP- en neurale netwerkblokken, maar er is geen enkele ‘juiste’. modelarchitectuur voor elke use case. Echte machine learning-implementaties hebben compromissen, en waar u een model wilt implementeren, is van belang. Misschien wilt u nauwkeurigheid inruilen voor minder RAM of in plaats daarvan stevige latentievereisten hebben – elk van deze keuzes beïnvloedt het beste model.
Ons primaire ontwerpdoel voor de EON Tuner is om u snel te helpen bij het ontdekken van machine learning-architecturen die specifiek zijn afgestemd op uw gebruiksscenario en dataset. De EON Tuner zal ook nuttig zijn voor uw collega’s of iemand anders met wie u uw Edge Impulse-project deelt en die niet helemaal bekend is met de fijne technische details van digitale signaalverwerking of neurale netwerkarchitecturen. De tuner elimineert de noodzaak voor handmatige parameterselectie om optimale modelnauwkeurigheid te verkrijgen, waardoor de technische kennisvereisten van de gebruiker worden verminderd en de totale tijd wordt verkort om van gegevensverzameling naar een getraind model te gaan dat op uw edge-apparaat wordt geïmplementeerd.
Toekomst
Vandaag vindt u het tabblad EON Tuner op uw audiogegevensprojecten in de Edge Impulse Studio. We zullen echter binnenkort ondersteuning voor andere soorten sensorgegevens toevoegen. Met aangepaste DSP-blokken en de flexibiliteit van onze machine learning-blokken (van classificatie tot regressie tot anomaliedetectie), betekent dit ook dat u de EON Tuner in de toekomst kunt gebruiken voor nieuwe sensortypen en datasets.
De EON Tuner geeft het Edge Impulse-engineeringteam ook een manier om nieuwe signaalverwerkingsblokken en machine learning-algoritmen aan onze ontwikkelaars te tonen. Als we gebruik maken van een nieuw algoritme voor het spotten van trefwoorden uit een veelbelovend onderzoeksartikel, kunnen we het toevoegen aan de Tuner en direct feedback krijgen over de prestaties op real-life datasets (op dit moment 35.000+ projecten op Edge Impulse!). Bij Edge Impulse passen we ons voortdurend aan nieuwe ontwikkelingen op het gebied van machine learning-onderzoek aan en voegen deze verbeteringen toe aan de Studio en EON Tuner voor uw gebruik. Vervolgens kunt u de modelontwikkelingen van de EON Tuner verkennen/testen en uw primaire modelblokken eenvoudig bijwerken met deze geavanceerde verbeteringen en deze implementeren op uw doelapparaat.
Klaar om aan de slag te gaan met de EON-tuner? Hier vindt u een stapsgewijze handleiding.
Jenny Plunkett
User Success Engineer, Edge Impulse
Mathijs Baaijens
ML Infrastructure Engineer, Edge Impulse
