New-Tech Magazine | Nov 2022 | Digital Edition

) הכי תתאים לזיהוי תמונות, ואילו CNN ( ) תתאים לעיבוד RNN רשת עצבית חוזרת ( דיבור. המודל רוכש מידע באמצעות עיבוד כמויות עצומות של נתוני אימון. עבור , נדרשות עשרות אלפי תמונות של CNN סוגים שונים של חיות בליווי שמותיהן, לצורך זיהוי חיות. נדרשות תמונות רבות לכל זן ומין, ותמונות שצולמו מזוויות שונות ובתנאים שונים של תאורת סביבה. לאחר שבוצע אימון של המודל, מתחיל תהליך הבדיקה, בעזרת נתוני תמונות לבדיקה שהמודל טרם עיבד. המודל יוכל להסיק תוצאה על בסיס הסבירות של כל תמונת נתונים לבדיקה. סבירות ההסקה גדלה ככל שיש יותר נתוני אימון וככל שקיים מיטוב של הרשת העצבית. ברגע שסבירות ההסקה הדרושה למשימה הגיעה לרמה גבוהה מספיק, מפתחי היישומים יוכלו לפרוס את מודל הלמידה החישובית. יישום תעשייתי פשוט מבוסס-קצה של למידה חישובית הוא ניטור מצב של מנוע בעזרת ניטור חתימת הרטט שלו. ניתן לתעד סדרה מפורטת של חתימות רטט MEMS , piezo על ידי הוספת חיישן רטט ( או מיקרופון דיגיטלי) למנוע תעשייתי. הוצאת מנועים מהשטח עקב תקלות מכניות (מיסבים שחוקים, בעיות נהיגה וכו') מוסיפה לעומק של נתוני האימון. המודל שייווצר בעקבות זאת יוכל לנטר מנוע באופן רציף ולספק תובנה מתמשכת לגבי תקינות המנוע. רשתות עצביות כאלה, הפועלות בבקר זעיר בהספק נמוך, נקראות . TinyML ? Explainable AI מה זה כפי שצוין בקטע הקודם, התוצאות של עוררו ML יישומים מסוימים מבוססי חשש שמא הן מוטות באופן כזה או אחר. ישנם כמה היבטים בנוגע לדיון על כך מציגים הטיה, AI ואלגוריתמים של ML ש והתפיסה המקובלת והרווחת היא שכל חייבות להיות שקופות ML התוצאות של יותר, הוגנות, אתיות ומוסריות. מרבית הרשתות העצביות פועלות כפונקציית "קופסה שחורה"; נתונים נכנסים, ויוצאת תוצאה - המודל לא מספק כל תובנה לגבי האופן שבו התוצאה נקבעה. באופן כללי, ישנו צורך הולך וגדל בקבלת הסבר בנוגע לבסיס שעליו התקבלה התוצאה

אתי ואמין AI לתהליך NXP הגישה ההוליסטית של :1 איור « )NXP מקור: (

NXP iMX-8 Plus NanoUL תרשים הבלוקים הפונקציונליים של :2 איור « )NXP מקור: (

45 l New-Tech Magazine