Votre pipeline de données d'IA
Nous fournissons les outils et le savoir-faire pour vous aider à tirer le meilleur parti de vos solutions basées sur l'IA. Les bons modèles nécessitent de bonnes données d'apprentissage. En collaboration avec nos partenaires, dSPACE offre tous les outils et services nécessaires à votre pipeline de données. Collectez de nouvelles données avec les solutions AUTERA et RTMaps, annotez-les avec l'outil UAI Annotator et gérez-les dans IVS. Ce processus va de pair avec nos outils, permettant de créer des situations de trafic arbitraires, par exemple en utilisant la génération de scénarios à partir de mesures, et au final, de générer des données d'apprentissage supplémentaires à partir de ces scénarios, en utilisant la solution dSPACE pour la simulation réaliste de capteurs.
Quel volume de données de capteurs en conditions réelles est nécessaire ?
dSPACE a mené une étude pour examiner l’apprentissage de réseaux neuronaux avec des données de capteurs synthétiques pour des applications en conditions réelles. L'objectif de cette étude était de quantifier le volume de données réelles pouvant être réduit en cas d’utilisation d'un ensemble mixte de données synthétiques et réelles. La modélisation de la relation entre le nombre d’exemples d'apprentissage et les performances de reconnaissance à l’aide d’une simple loi de puissance nous a permis de constater que le volume de données réelles nécessaire peut être réduit de 70 % sans affecter les performances de reconnaissance. En particulier, l’apprentissage des réseaux de reconnaissance d’objets est amélioré en enrichissant l’ensemble mixte de données avec des classes sous-représentées dans l’ensemble de données réelles. Les résultats montrent que les ensembles mixtes de données avec des proportions de données réelles comprises entre 5 % et 20 % réduisent le plus le besoin de données réelles, sans réduire les performances de reconnaissance.
La simulation réaliste de capteurs est un outil précieux pour générer facilement des données d’apprentissage supplémentaires pour les réseaux neuronaux, en particulier pour inclure des classes et des scénarios rares dans l'ensemble de données.
