測定データから仮想センサーをトレーニング
Data Sensorsは、ランダムフォレスト、XGBoost、ニューラルネットワークのモデルを、 お客様自身の記録データに対して直接トレーニングします - クラウドへのアップロードも、ラベリングの パイプラインも、別途管理するPython環境も不要です。測定ファイルを指定し、入力チャンネルと再現したい ターゲットチャンネルを選んで、モデルをトレーニングします。
単一ファイル、複数ファイル、またはフォルダ全体
多くのセンサーモデリングツールは、トレーニングデータが1つの整ったファイルに収まっていることを 前提としています。しかし実際の測定キャンペーンはそう単純ではありません - データロガーが満杯になったり、 1つのテストが複数のセッションに分割されたり、あるいは最後の1回だけでなく記録したすべての走行サイクル でトレーニングしたい場合もあります。Data Sensorsは、指定した任意の数のファイルを対象に順番に トレーニングを行い、それらを1つのデータセットに連結します。異なるファイルで同じ物理信号が違う チャンネル名で記録されている場合でも対応でき、マッピングテーブルを使ってファイルごとに正しい チャンネルを一度割り当てれば、そのマッピングを後でCSVとして保存し、再利用できます。
ランダムフォレスト、XGBoost、ニューラルネットワーク
あらゆるセンサーモデリングの問題に対して唯一最適なモデルファミリーというものは存在しません - ランダムフォレストはしっかりしたベースラインへの最短ルートであることが多く、勾配ブースティング木 (XGBoost)は構造化された表形式の信号でより高い精度を引き出すことができ、入力とターゲットの関係が 滑らかで強く非線形な場合はニューラルネットワークが適していることがほとんどです。Data Sensorsでは この3つのいずれも直接トレーニングでき、お客様のデータでどれが最良の結果を出すか分からない場合は、 モデルコンペティション機能がすべてを同時にトレーニングし、ランク付けします。
手動でハイパーパラメータを選ばない自動調整
3つのモデルタイプすべてが、手動でハイパーパラメータを指定する代わりに、これを 自動調整できます。ランダムフォレストは木の本数、最大深さ、最小葉サイズを探索し、XGBoostは木の本数、 最大深さ、学習率を探索し、ニューラルネットワークは層数、層あたりのニューロン数、学習率を探索します。 どのモデルタイプも、ベイズ最適化(ガウス過程、デフォルト)、ランダム探索、グリッド探索、または ランダムフォレスト/XGBoost代理探索戦略から、どれだけの計算時間をかけられるかに応じて自動調整方法を 選択できます。複数ファイルでのトレーニング時には、探索自体は速度を保つために代表的な1つのファイルに 対してのみ実行され、その後、選ばれた構成が複数ファイル全体のデータセットで再トレーニングされます。
アプリを離れることなく、トレーニングから独立コードへ
トレーニングしたモデルは、デスクトップアプリの外 - ECU上、Simulinkブロック内、 あるいはPythonの分析スクリプト内 - で動作して初めて役に立ちます。Data Sensorsで C、C++、Python、MATLABへ直接エクスポートでき、フル精度またはint8量子化 を選択でき、保存前にサイズと精度のライブプレビューを確認できます。複数のモデルタイプを同時に トレーニングし、エクスポート前に比較する方法についてはモデル コンペティションをご覧ください。
トレーニングしたセンサーはすべて、専用の仮想信号パネルに収まる
このダイアログからトレーニングしたモデルであれ、モデルコンペティションのエントリからのものであれ、 以前にエクスポートしたC、C++、Pythonモデルを再度インポートしたものであれ、トレーニングしたモデルは すべて、実測チャンネルや計算信号とは別の、専用の仮想信号パネル内の信号として表示されます。いつでも 名前を変更したり削除したりでき、名前変更時にはアプリの他の箇所と同じ一意性チェックが適用されるため、 仮想センサーが実測チャンネルや計算信号と衝突することはありません。すでにエクスポート済みのモデルは、 再度インポートして入力チャンネルを一度マッピングすれば、現在読み込まれている測定データに対して 再トレーニングなしで実行できます。
