• 解決智能邊緣物聯(lián)網(wǎng)解決方案固有的關鍵可擴展性障礙和部署挑戰(zhàn)

• 通過生成龐大且多樣化的數(shù)據(jù)集來提高可擴展性，加速邊緣應用人工智能解決方案的開發(fā)

• 將對真實數(shù)據(jù)的依賴性從 80%（市場標準）降低到 10%，從而加速創(chuàng)新并縮短部署時間

TDK株式會社（TSE：6762）宣布在傳感器技術方面取得進展，推出用于優(yōu)化并加速智能物聯(lián)網(wǎng)解決方案部署的 SensorGPT?。該技術利用生成式人工智能、信號處理、統(tǒng)計方法和仿真技術，實現(xiàn)大規(guī)模地創(chuàng)建和管理傳感器數(shù)據(jù)。TDK的SensorGPT將助力智能物聯(lián)網(wǎng)市場和新興的環(huán)境物聯(lián)網(wǎng)細分市場克服關鍵的可擴展性挑戰(zhàn)。它還簡化了模型開發(fā)和部署流程，從而縮短時間和降低成本，并顯著提升邊緣人工智能模型和應用的性能和效率。

數(shù)據(jù)是智能邊緣系統(tǒng)智能的基石——然而，如今數(shù)據(jù)收集耗時遠超構建其所驅(qū)動的智能所需的時間。近80%的人工智能解決方案開發(fā)時間都花費在數(shù)據(jù)收集和管理上（）。隨著邊緣人工智能的需求持續(xù)加速增長，預計將在2026年成為行業(yè)標準（），數(shù)據(jù)可用性已成為可擴展性的主要障礙。SensorGPT 通過智能傳感器數(shù)據(jù)合成直接應對這一挑戰(zhàn)，減少對現(xiàn)實世界數(shù)據(jù)的依賴，將數(shù)據(jù)收集工作量從80%降低到近10%，從而實現(xiàn)更快、更具可擴展性的邊緣人工智能開發(fā)。

利用人工智能合成傳感器數(shù)據(jù)

“通過使用先進技術擴展和增強現(xiàn)有數(shù)據(jù)集，可以將原本需要數(shù)月才能構建的邊緣人工智能模型縮短至數(shù)周?！盩DK株式會社美洲總公司總經(jīng)理、技術?知識產(chǎn)權本部副總經(jīng)理Jim Tran表示。他還補充道：“通過利用生成式人工智能建模、仿真等技術，工程師可以使用人工智能生成反映真實世界狀況的更多高質(zhì)量數(shù)據(jù)，從而將數(shù)據(jù)轉(zhuǎn)化為可擴展的資源?！?/p>

SensorGPT 數(shù)據(jù)合成技術進展：

• 生成式人工智能模型：在有限的真實世界數(shù)據(jù)訓練生成式模型，學習潛在模式，并生成能夠忠實模擬真實世界數(shù)據(jù)的高質(zhì)量合成數(shù)據(jù)。

• 基于物理的仿真模型：利用基于物理和數(shù)學的模型來模擬和生成合成傳感器數(shù)據(jù)。

• 信號處理方法：采用數(shù)學和計算技術來模擬反映真實傳感器輸出動態(tài)特性和特征的數(shù)據(jù)。

• 數(shù)據(jù)增強技術：自動將現(xiàn)有傳感器數(shù)據(jù)轉(zhuǎn)換為涵蓋各種條件和場景的豐富多樣的數(shù)據(jù)集。

• 輔助標注：簡化訓練數(shù)據(jù)的標注流程，提高其對模型訓練的有效性和質(zhì)量。

SensorGPT 能夠使合成數(shù)據(jù)與真實傳感器數(shù)據(jù)達到90%的相似度，從而利用合成數(shù)據(jù)更快地部署邊緣 AI 解決方案。部署后，它會驅(qū)動一個良性循環(huán)，通過反饋不斷改進：真實數(shù)據(jù)會隨著時間的推移逐步完善和強化合成模型，進而提高模型的部署效率。

SensorGPT 與現(xiàn)有技術的區(qū)別：

• 通過生成龐大且多樣化的數(shù)據(jù)集來提高可擴展性，從而快速幫助創(chuàng)建用于邊緣應用的人工智能解決方案。

• 通過快速訪問數(shù)據(jù)以進行原型設計、測試和部署初始模型提供快速數(shù)據(jù)訪問，從而加快創(chuàng)新和開發(fā)速度。

• 通過提供工具來定制數(shù)據(jù)，使其適應特定的傳感器、智能物聯(lián)網(wǎng)應用以及它們所處的真實場景和條件，從而實現(xiàn)可定制性。

• 作為邊緣智能賦能者，滿足對高質(zhì)量數(shù)據(jù)的日益增長需求，以支持智能邊緣人工智能應用。

TDK 的新型 SensorGPT 最終加速了原型設計和概念驗證，實現(xiàn)了數(shù)據(jù)集規(guī)模的擴展（具體取決于應用和用例），從而顯著地將邊緣人工智能模型的構建時間從5個月以上縮短到幾周。

主要應用

• 物聯(lián)網(wǎng)、可穿戴設備、移動設備

• 環(huán)境物聯(lián)網(wǎng)

• 工業(yè)物聯(lián)網(wǎng)

• 物理人工智能應用

主要特點和優(yōu)勢

• 合成生成數(shù)據(jù)，將真實世界數(shù)據(jù)收集工作量從80%減少到近10%，使團隊能夠比以往更快地構建和擴展邊緣人工智能解決方案

• 更廣泛的應用場景、條件和邊緣案例覆蓋范圍

• 更強大的邊緣人工智能模型性能

• 更快的模型迭代周期

• 加速原型設計和概念驗證 (POC)，使數(shù)據(jù)集規(guī)模成數(shù)量級擴展，以顯著減少的真實世界數(shù)據(jù)量在邊緣解鎖機器學習

• 更低的數(shù)據(jù)采集成本

• 更短的從構思到可部署模型的路徑