Qeexo 公司今天正式發布使用 AWS 服務的 Qeexo AutoML 平臺通用版

2020 年 6 月 9 日，自動化機器學習平臺開發商 Qeexo 公司今天正式發布使用 AWS 服務的 Qeexo AutoML 平臺通用版，這一產品能夠加速 TinyML 在邊緣 / 終端的部署。

“我們非常高興能夠發布 Qeexo AutoML 通用版，作為托管在 AWS 上的一款網絡應用。對于所有的用戶來說，不管是新手，還是數據科學家，有了直觀的端到端工作流，以及輕松的在線訪問方式，Qeexo AutoML 將會極大地提升 TinyML 模型開發以及部署的便捷性。”Qeexo CEO Sang Won Lee 這樣說道。

從今天開始，用戶就可以注冊登錄 Qeexo AutoML 通用版平臺(http://automl.qeexo.com)，銅牌會員可以上傳或采集數據集，自動創建輕量級機器學習模型，并在選定的嵌入式硬件平臺上部署和測試。目前銅牌會員為限時免費的狀態。

“Qeexo AutoML 目前已經提供了高級控制功能，新的機器學習算法，以及對多個新硬件平臺的支持，這些會為 TinyML 開發者們提供更高的靈活性。”Lee 補充道。

新的主要功能包括：創建模型時，在數據記錄完成之后可以人工選擇傳感器以及傳感器數據特征;可視化的類的可分離性;使用可視化和敏感性分析進行分類敏感性的微調;以及針對神經網絡參數的配置，包括量化意識訓練。這些新的功能讓用戶可以創建預測性維護解決方案來監測工業化機器的異常;手勢和情境感知算法可以為健身追蹤器和老年護理行業提供消費者 / 可穿戴產品案例;以及其他基于機器學習的算法可以為有傳感器的智能物聯網設備服務。

重大的模型升級也同時發布，包括：適用于工業化應用中異常檢測的分類器，以及在目前已有多種算法，包括 ANN(人工神經網絡), CNN(卷積神經網絡), GBM(梯度提升機), XGBoost(極限梯度提升樹)，Random Forest(隨機森林)，Logistic Regression(邏輯回歸)和 Decision Tree(決策樹)的情況下，增加了支持 RNN(循環神經網絡)的算法，Isolation Forest(孤立森林)，和 Local Outlier Factor(局部異常因子)。Qeexo AutoML 支持傳感器數據采集和可視化，自動創建模型，以及一鍵部署到以下硬件平臺：Arduino Nano 33 BLE Sense, 瑞薩電子的 RA6M3 ML Sensor Module, 意法半導體的 STWINKT1 和 SensorTile.box。

Qeexo 公司是第一家針對嵌入式邊緣設備(Cortex M0 到 M4 級別)推出自動化端到端機器學習的公司。作為一個一鍵式全自動化的平臺，Qeexo AutoML 讓用戶可以利用傳感器數據，為高度受限的環境快速創建機器學習解決方案，例如，移動，物聯網，可穿戴，汽車等領域的應用。用 Qeexo AutoML 創建的解決方案，不但擁有高性能的表現，而且具有超低延遲，超低電量消耗，以及極小的內存占用的特點。

數千億的傳感器持續不斷地從每一臺你能想象到的設備上收集數據，Qeexo 奇手的機器學習算法可以利用這些數據來認知，預測，并從中洞察可付諸行動的見解。Qeexo 奇手公司誕生于卡內基梅隆大學，公司目前已經獲得風險投資，總部位于山景城，并在匹茨堡，上海和北京設立了辦公室。