fbpx

A Crosser revela a estratégia "Traga sua própria AI" para melhorar a Inteligência na Borda na IoT Industrial

O anúncio de uma estratégia de aprendizagem de máquina (ML – Machine Learning) aberta oferece aos clientes total liberdade para implantar sua própria estrutura de aprendizagem de máquina na borda.

A Crosser, uma empresa líder de mercado, parceira oficial da Konitech no Brasil e fornecedora do software Intelligent Edge Analytics para IoT industrial, anunciou no começo do ano novos recursos em sua plataforma, oferecendo aos clientes uma combinação única de flexibilidade e facilidade de uso ao utilizar a aprendizagem de máquina para obter uma inteligência aprimorada.

Martin Thunman, CEO e co-fundador da Crosser, afirmou que "a aprendizagem de máquina tem um lugar natural na Edge Streaming Analytics (Análise de Streaming na Borda) para muitos casos de uso".

“Não acreditamos que exista uma estrutura de ML que seja melhor que outras, pois isto depende da situação, do caso em que está sendo usada e dos conjuntos de habilidades específicas do cliente. Acreditamos também que esta é uma tecnologia em rápida evolução, em que novas estruturas ganharão popularidade no futuro. Tenho o prazer de anunciar a estratégia "Traga sua própria inteligência artificial", que oferece ao cliente total liberdade para implantar sua estrutura favorita de ML em nossa plataforma".

A estratégia de API aberta vem com um conjunto de novos recursos na plataforma Crosser:

Arrastar e soltar, além de suporte aberto para ML − uma combinação única

Combinando a força do Crosser Flow Studio − a ferramenta do projeto de arrastar e soltar baseada na nuvem e a flexibilidade do Crosser Edge Node para hospedar qualquer estrutura de ML de terceiros, o ritmo da inovação pode ser significativamente acelerado. Ele permite que especialistas em automação, equipes de TI, cientistas de dados e especialistas em produtos colaborem facilmente em uma plataforma que todos podem dominar.

Está gostando desse post? Então, assine a nossa newsletter!

O mecanismo de tempo real da Crosser e a estrutura de ML Python são implantados em um único Docker contêiner e são perfeitos para o cliente final.

Facilitando a orquestração e a implantação de estruturas e modelos de ML

Diferentes casos de uso podem precisar de diferentes estruturas, modelos e algoritmos de ML, cuja implantação pode se transformar rapidamente em um pesadelo. Na Crosser Edge Director − a ferramenta de gerenciamento e orquestração baseada em nuvem, um novo conceito foi introduzido, chamado “Resources”. É uma biblioteca central de modelos, algoritmos, estruturas e outros recursos que podem ser reutilizados em vários casos ou desdobramentos. Ela traz estrutura, organização e visão geral, e torna a implantação em massa ou atualizações de versões em uma tarefa simples.

A estrutura Python e mais

O ponto de partida foi adicionar suporte à estrutura Python, mas a arquitetura permite que qualquer estrutura de terceiros e tempo de execução sejam facilmente adicionados, e o suporte para mais estruturas será anunciado em breve.

Exemplos de estruturas Python apoiadas:

  • TensorFlow
  • Scikit-learn
  • Keras
  • PyTorch

Ajustando dados de streaming em um modelo de ML desenvolvido a partir de dados de arquivos

Os modelos de ML são geralmente desenvolvidos com dados de um arquivo, o que cria desafios quando os pontos de dados vêm em um formato de streaming em série, a partir de múltiplas fontes de dados. O novo módulo “Data Join” de ML cuida disso ao alinhar todos os dados no tempo e replicá-los quando os sensores entregarem dados em taxas diferentes para, então, apresentar os dados de streaming ao modelo, da mesma forma como ele foi desenvolvido.

Para obter informações adicionais sobre esta estratégia, leia nosso artigo: A aprendizagem de máquina na borda

Para obter mais informações, ou para marcar uma demonstração do produto faça contato conosco.

Fonte: Crosser.io

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *