搶進人工智慧AI市場 奇景攜手Edge Impulse

Share on facebook
Share on twitter
Share on pinterest
Share on weibo

Edge Impulse共同創辦人兼首席執行長Zach Shelby表示,嵌入式機器學習在工業、企業和消費者應用上機會無窮無盡,讓客製化及數據驅動化(Data-driven)的價值展現出來,Edge Impulse 結合奇景AI處理器和視覺全時感測器,使能嵌入任何地方的極低功耗機器學習得以實現,為這些市場帶來重大的改變,為客戶帶來新的價值與商機。

奇景光電執行長吳炳昌表示,奇景和Edge Impulse 聯手幫助開發者,提供免費、高資通安全、高隱私安全以及易於使用的嵌入式AI推理開發工具,創造嶄新的用戶體驗,Edge Impulse 簡化了神經網絡的創建,容易上手 ,能在奇景各式產品上,包含AI 處理器和全時感測器,以超低功耗運行。

如果今天不是沒有AI數據,而是數據很多,又該從何下手呢?

我建議,嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。

過去曾經處理過一個AI專案,數據多達2億筆。第一次實驗,把數據全部餵進AI模型,取得結果。第二次,只拿其中有代表性的500萬筆出來訓練人工智慧。

猜猜結果如何?兩次實驗的表現,只差異不到1%。

所以,如果企業對於AI數據的品質和數量有一定程度的自信根據,其實不用把數據全部餵進AI模型訓練(Model Training),只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具(Cluster),可以做到這點,幫助省時省力。

AI數據小學堂:模型指標(metrics)

在做模型實驗時,通常會用混淆矩陣(Confusion Matrix)的四種指標:TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(False Negative),以及Count、Unique和Accuracy等等函數,來判斷這個模型的表現好不好。

P或TN值,代表模型辨識的答案正確,和預期結果一致。例如:模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值,則代表模型的判斷錯誤,例如「明明是貓,模型卻說不是貓」、「明明不是貓,模型卻說它是貓」。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

Share on facebook
Share on twitter
Share on whatsapp
Share on weibo

相關內容

最新資訊