Qeexo 公司今天正式发布使用 AWS 服务的 Qeexo AutoML 平台通用版

2020 年 6 月 9 日，自动化机器学习平台开发商 Qeexo 公司今天正式发布使用 AWS 服务的 Qeexo AutoML 平台通用版，这一产品能够加速 TinyML 在边缘 / 终端的部署。

“我们非常高兴能够发布 Qeexo AutoML 通用版，作为托管在 AWS 上的一款网络应用。对于所有的用户来说，不管是新手，还是数据科学家，有了直观的端到端工作流，以及轻松的在线访问方式，Qeexo AutoML 将会极大地提升 TinyML 模型开发以及部署的便捷性。”Qeexo CEO Sang Won Lee 这样说道。

从今天开始，用户就可以注册登录 Qeexo AutoML 通用版平台(http://automl.qeexo.com)，铜牌会员可以上传或采集数据集，自动创建轻量级机器学习模型，并在选定的嵌入式硬件平台上部署和测试。目前铜牌会员为限时免费的状态。

“Qeexo AutoML 目前已经提供了高级控制功能，新的机器学习算法，以及对多个新硬件平台的支持，这些会为 TinyML 开发者们提供更高的灵活性。”Lee 补充道。

新的主要功能包括：创建模型时，在数据记录完成之后可以人工选择传感器以及传感器数据特征;可视化的类的可分离性;使用可视化和敏感性分析进行分类敏感性的微调;以及针对神经网络参数的配置，包括量化意识训练。这些新的功能让用户可以创建预测性维护解决方案来监测工业化机器的异常;手势和情境感知算法可以为健身追踪器和老年护理行业提供消费者 / 可穿戴产品案例;以及其他基于机器学习的算法可以为有传感器的智能物联网设备服务。

重大的模型升级也同时发布，包括：适用于工业化应用中异常检测的分类器，以及在目前已有多种算法，包括 ANN(人工神经网络), CNN(卷积神经网络), GBM(梯度提升机), XGBoost(极限梯度提升树)，Random Forest(随机森林)，Logistic Regression(逻辑回归)和 Decision Tree(决策树)的情况下，增加了支持 RNN(循环神经网络)的算法，Isolation Forest(孤立森林)，和 Local Outlier Factor(局部异常因子)。Qeexo AutoML 支持传感器数据采集和可视化，自动创建模型，以及一键部署到以下硬件平台：Arduino Nano 33 BLE Sense, 瑞萨电子的 RA6M3 ML Sensor Module, 意法半导体的 STWINKT1 和 SensorTile.box。

Qeexo 公司是第一家针对嵌入式边缘设备(Cortex M0 到 M4 级别)推出自动化端到端机器学习的公司。作为一个一键式全自动化的平台，Qeexo AutoML 让用户可以利用传感器数据，为高度受限的环境快速创建机器学习解决方案，例如，移动，物联网，可穿戴，汽车等领域的应用。用 Qeexo AutoML 创建的解决方案，不但拥有高性能的表现，而且具有超低延迟，超低电量消耗，以及极小的内存占用的特点。

数千亿的传感器持续不断地从每一台你能想象到的设备上收集数据，Qeexo 奇手的机器学习算法可以利用这些数据来认知，预测，并从中洞察可付诸行动的见解。Qeexo 奇手公司诞生于卡内基梅隆大学，公司目前已经获得风险投资，总部位于山景城，并在匹茨堡，上海和北京设立了办公室。