Maîtrise des contraintes classiques : miniaturisation, étanchéité, faible consommation, maîtrise des coûts...
Deep Learning, intelligence artificielle embarquée (“Edge Computing”)
Logiciel embarqué, backend / cloud, applications mobiles et SaaS
Invoxia maîtrise toute la chaine d’innovation en interne : conception des capteurs (hardware et software) et gestion de l'industrialisation, collecte et analyse des données brutes via différents types de connectivité (LoRa, Sigfox, LTE Cat-M1, Bluetooth, Wifi...), entraînement et intégration des réseaux de neurones profonds (Deep Learning) et enfin, visualisation des données et construction de services à valeur ajoutée via des apps mobiles ou web.
Révélé lors du CES 2020, le rasoir connecté BIC a été distribué à un groupe de testeurs pour compléter les données issues de panélistes, non représentatives, par des données d’usage réelles.
Le rasoir remonte en temps réel des données objectives sur l’expérience de rasage, grâce à des capteurs combinés à du Deep Learning. Ces données aident la R&D de BIC à concevoir de futurs produits adaptés aux utilisateurs modernes.
Définition du produit, développement du hardware et des apps mobile, construction et entraînement de modèles de machine learning.
Besoin de valider l’intérêt et le ROI avant de se lancer dans des développements coûteux de capteur sur mesure ?
Grâce au programme court AIoT Access, avancez sans attendre sur vos démonstrateurs avec des solutions flexibles sur étagère alliant IoT et IA embarquée. Applications : maintenance prédictive, profils de mission et suivi d’usage, détection de chute, de choc, de mouvement spécifique. Capteurs sur étagère : mouvement, vibrations, température, acoustique, géolocalisation. Collecte de données d’intérêt via app mobile dédiée ou gateway.
Applications : maintenance prédictive, profils de mission et suivi d’usage, détection de chute, de choc, de mouvement spécifique, ...
Capteurs sur étagère : mouvement, vibrations, température, acoustique, géolocalisation. Collecte de données d’intérêt via app mobile dédiée ou gateway.
Construction, entraînement et intégration des modèles de Deep Learning en quelques semaines. Paramétrage d’alertes et de journaux d’activité.