工業・製造業
産業用ロボット、AIプロダクションレベルまで引き上げます
解決すべき問題:
トレーニングには時間がかかり、モデルを最新の状態に保ち、展開されたロボット全体で良好なパフォーマンスを維持するのは複雑で、管理が困難です。
STADLEによるソリューション:
データを一元化することなくモデルをトレーニングします。ゼロから再トレーニングすることなく、既存のモデルで新しいデータを迅速かつ安全に使用できます。
成果:
トレーニングでは10倍以上の速度、物体をつかむ際の精度は2.2倍。
建設現場分析、モデルトレーニングコストの削減
STADLEを使用する前:
ドローンは、建設工事の前に重要なインフラを特定するために使用されるデータを収集します。コンピューター ビジョン モデルはインスタンスごとに個別にトレーニングされるため、コストがかかり、不要な冗長性と維持管理が必要になります。
STADLEを使用した後 :
STADLEの継続的な学習とオーケストレーション機能により、複数のインスタンスから得た新しい学習を単一のモデルに簡単に追加できます。オーケストレーションされたモデルにより精度が大幅に向上しました。
自律走行車:様々なストレスレベルのドライバー向けにADASを最適化
解決すべき問題:
さまざまなストレスレベルのドライバーに ADAS (先進運転支援システム) を適応させるには、プライベートで効率的かつスケーラブルなモデル トレーニングが必要です。
STADLEによるソリューション:
STADLERは複数の車両でAIモデルを並行してトレーニングし、トレーニング時間を大幅に短縮します。
成果:
単一の学習環境と比較してAIモデルのトレーニングが2.5倍高速化され、さまざまな運転条件でADASのパフォーマンスが最適化されます。
製造、オブジェクト選別プロセスを簡素化するための自動製品ラベル付け
解決すべき問題:
既存のエッジハードウェアインフラストラクチャにSTADLEを大規模に導入し、STADLEのメリットをすべて実現
STADLEによるソリューション:
STADLERは、既存のエッジハードウェアインフラストラクチャ上で複数のエッジデバイスが同時に継続的な学習を実行し、モデルを効率的に最適化できるようにしました。
成果:
-
モデルトレーニングが 3 倍高速化
-
非常に小型のハードウェアで STADLE のパフォーマンスを実証