Ponieważ jakość zbioru danych ma gruntowny wpływ na efektywność uczenia maszynowego (ML) nowe funkcje w NanoEdge AI Studio 3.2 gwarantują optymalizację tych danych. Dodany został etap walidacji, który pomaga oceniać algorytmy ML pod kątem wykorzystania pamięci oraz metryk wydajności (np. F1-Score). Dostarczono sporo przydatnych informacji dla modeli, które mają związek z uczeniem maszynowym. Najnowsza wersja NanoEdge AI Studio dodaje więcej sposobów przetwarzania wstępnego dla wykrywania anomalii. Środowisko umożliwia tworzenie bibliotek, dzięki którym można przewidywać określone stany systemu przy użyciu regresji wielowymiarowej (wielorakiej).
Więcej informacji pod adresami: link 1, link 2 i link 3 (ostatni link to playlista YouTube) oraz na poniższych filmach.