La plateforme SensorGPT vise à réduire les délais de développement des modèles Edge AI

TDK propose SensorGPT, une plateforme de génération de données de capteurs synthétiques conçue pour accélérer le développement de modèles d’Edge AI pour les systèmes IoT, industriels et les applications de type Ambient IoT. La technologie combine l’IA générative, le traitement du signal, la modélisation statistique et les simulations basées sur la physique afin de créer des ensembles de données de capteurs pour l’entraînement et la validation des modèles de machine learning.

La plateforme répond à une contrainte majeure dans le déploiement de l’Edge AI : le temps et les coûts associés à la collecte et à la préparation de réelles données de capteurs. Selon l’entreprise, le développement traditionnel de solutions d’IA consacre près de 80 % du temps des projets à l’acquisition et à la préparation des données. la plateforme SensorGPT est conçue pour réduire la dépendance aux ensembles de données réelles à environ 10 %, permettant ainsi des cycles plus rapides d’itération et de déploiement des modèles.

Génération de données synthétiques pour les systèmes Edge AI
Les systèmes Edge AI dépendent fortement des données de capteurs pour des fonctions telles que la détection de mouvement, la surveillance environnementale, la maintenance prédictive, l’analyse des appareils portables et l’automatisation industrielle. Cependant, la collecte de grands volumes de données de capteurs étiquetées dans de multiples conditions de fonctionnement reste un défi important, notamment dans les environnements IoT distribués.

La plateforme SensorGPT utilise plusieurs méthodes de synthèse de données pour répondre à cette limitation. Les modèles d’IA générative sont entraînés sur des ensembles limités de données réelles afin de reproduire les schémas et comportements des capteurs dans différents scénarios de fonctionnement. Les modèles de simulation basés sur la physique étendent davantage la génération de données en reproduisant mathématiquement les interactions réelles des capteurs et les dynamiques environnementales.

La plateforme intègre également des techniques de traitement du signal qui simulent les caractéristiques et la variabilité des sorties réelles des capteurs. Les capacités d’augmentation des données créent automatiquement des ensembles de données étendus représentant diverses conditions opérationnelles et cas limites, améliorant ainsi la robustesse des modèles pendant l’entraînement.

Selon TDK, les ensembles de données synthétiques générés par la plateforme SensorGPT atteignent environ 90 % de similarité avec les données de capteurs réelles, permettant aux données générées de prendre en charge des déploiements d’Edge AI de niveau production.




Cycles plus rapides d’entraînement et de déploiement des modèles
Selon TDK, la plateforme SensorGPT peut réduire les délais de développement des modèles Edge AI de plusieurs mois à quelques semaines. La plateforme prend en charge un prototypage plus rapide et le développement de preuves de concept en permettant une expansion à grande échelle des ensembles de données sans nécessiter de vastes campagnes de collecte de données sur le terrain.

Des capacités d’annotation assistée sont également intégrées à la plateforme afin de simplifier les flux de travail d’étiquetage des données d’entraînement, améliorant l’utilisabilité et la cohérence des ensembles de données pour les applications de machine learning.

Publié avec l’assistance de l’IA par Natania Lyngdoh, rédactrice pour Induportals.

www.tdk.com