MST
MST(Memory Saving Tree)は“指先大”マイコンへの実装を実現した超省メモリなエッジAIアルゴリズムです。 多くの既存マイコンへ実装可能であり、高精度なエッジAIの多種多様な領域における活用を実現します。

特徴① 軽量かつ高速

極小メモリのコンピュータで動作可能 / 短時間(μ~m秒オーダー)かつ一定速度で動作可能

マイコンごとのMSTモデルサイズと推論速度
CoreClock [MHz]FPUModel size[KB]Prediction time[μs/record]
STM32H747 (on SRAM) M7 400 19.2 62
STM32H747 (on FLASH) M7 400 108
STM32F446 (on SRAM) M4 180 180
STM32F446 (on FLASH) M4 180 190
STM32G474 M4 170 208
STM32L476 M4 80 384
STM32F303 M4 64 (Max 72) 757
STM32G031K8 M0+ 64 × 2612
STM32F091 M0 48 × 3300

使用したデータ:
 データセット:Airfoil Self-Noise Data Set
 説明変数次元数:5
 目的変数次元数:1

特徴② 高精度

一般的な学習器と同等以上の予測精度

Airfoil Self-Noiseを用いたRandomForestとMSTのモデルサイズと精度の比較

特徴③ 更新性

デバイス上で常に学習、予測を限りなく正確に

課題1. 未学習領域の存在
事前にあらゆるデータを網羅的に学習したAIモデル作成は困難
・青色の線が予測したい真の値、赤色の線がAIモデルの予測値
・赤色の線が水平になっている部分は、未学習領域で、予測値が真の値と乖離
・MSTは追加データで学習し予測値の更新が可能

未学習領域の追加学習

課題2. コンセプトドリフトによる精度低下
外部環境の変化や、経年劣化等で、AIモデル作成時からデータ傾向が変化
・青色の線がデータ傾向が変化した後の真の値、赤色の線がAIモデルの予測値
・データ傾向が変わっているため、全体的に予測値が乖離
・MSTは追加データで学習し予測値の更新が可能

コンセプトドリフトへの追従

MSTは、軽量かつ高速、高精度で、未学習領域とコンセプトドリフトへの対応を実現しています
詳細はこちらをご覧ください

記事発行日: 2021年8月31日 最終更新日: 2021年8月31日