解决智能边缘物联网解决方案固有的加速关键可扩展性障碍和部署挑战

通过生成庞大且多样化的数据集来提高可扩展性，加速边缘应用人工智能解决方案的边缘开发

将对真实数据的依赖性从 80%（市场标准）降低到 10%，从而加速创新并缩短部署时间

TDK株式会社（TSE：6762）宣布在传感器技术方面取得进展，人工推出用于优化并加速智能物联网解决方案部署的加速 SensorGPT™。该技术利用生成式人工智能、边缘信号处理、人工统计方法和仿真技术，加速实现大规模地创建和管理传感器数据。边缘TDK的人工SensorGPT将助力智能物联网市场和新兴的环境物联网细分市场克服关键的可扩展性挑战。它还简化了模型开发和部署流程，加速从而缩短时间和降低成本，边缘并显著提升边缘人工智能模型和应用的人工性能和效率。

数据是加速智能边缘系统智能的基石——然而，如今数据收集耗时远超构建其所驱动的边缘智能所需的时间。近80%的人工人工智能解决方案开发时间都花费在数据收集和管理上（福布斯）。随着边缘人工智能的需求持续加速增长，预计将在2026年成为行业标准（Gartner），数据可用性已成为可扩展性的主要障碍。SensorGPT 通过智能传感器数据合成直接应对这一挑战，减少对现实世界数据的依赖，将数据收集工作量从80%降低到近10%，从而实现更快、更具可扩展性的边缘人工智能开发。

利用人工智能合成传感器数据

“通过使用先进技术扩展和增强现有数据集，可以将原本需要数月才能构建的边缘人工智能模型缩短至数周。”TDK株式会社美洲总公司总经理、技术•知识产权本部副总经理Jim Tran表示。他还补充道：“通过利用生成式人工智能建模、仿真等技术，工程师可以使用人工智能生成反映真实世界状况的更多高质量数据，从而将数据转化为可扩展的资源。”

SensorGPT 数据合成技术进展：

生成式人工智能模型：在有限的真实世界数据训练生成式模型，学习潜在模式，并生成能够忠实模拟真实世界数据的高质量合成数据。

基于物理的仿真模型：利用基于物理和数学的模型来模拟和生成合成传感器数据。

信号处理方法：采用数学和计算技术来模拟反映真实传感器输出动态特性和特征的数据。

数据增强技术：自动将现有传感器数据转换为涵盖各种条件和场景的丰富多样的数据集。

辅助标注：简化训练数据的标注流程，提高其对模型训练的有效性和质量。

SensorGPT 能够使合成数据与真实传感器数据达到90%的相似度，从而利用合成数据更快地部署边缘 AI解决方案。部署后，它会驱动一个良性循环，通过反馈不断改进：真实数据会随着时间的推移逐步完善和强化合成模型，进而提高模型的部署效率。

SensorGPT 与现有技术的区别：

通过生成庞大且多样化的数据集来提高可扩展性，从而快速帮助创建用于边缘应用的人工智能解决方案。

通过快速访问数据以进行原型设计、测试和部署初始模型提供快速数据访问，从而加快创新和开发速度。

通过提供工具来定制数据，使其适应特定的传感器、智能物联网应用以及它们所处的真实场景和条件，从而实现可定制性。

作为边缘智能赋能者，满足对高质量数据的日益增长需求，以支持智能边缘人工智能应用。

TDK 的新型 SensorGPT 最终加速了原型设计和概念验证，实现了数据集规模的扩展（具体取决于应用和用例），从而显著地将边缘人工智能模型的构建时间从5个月以上缩短到几周。

主要应用

物联网、可穿戴设备、移动设备

环境物联网

工业物联网

物理人工智能应用

主要特点和优势

合成生成数据，将真实世界数据收集工作量从80%减少到近10%，使团队能够比以往更快地构建和扩展边缘人工智能解决方案

更广泛的应用场景、条件和边缘案例覆盖范围

更强大的边缘人工智能模型性能

更快的模型迭代周期

加速原型设计和概念验证 (POC)，使数据集规模成数量级扩展，以显著减少的真实世界数据量在边缘解锁机器学习

更低的数据采集成本

更短的从构思到可部署模型的路径