On-Device
Machine Learning
Modelli di anti-spoofing vocale addestrati, quantizzati a INT8 e deployati su processori neurali a bassissimo consumo. Inferenza audio sul microfono, mai nel cloud.
Pipeline di addestramento
Pipeline di training basata su PyTorch su ASVspoof 2019 Logical Access. Run riproducibili con iperparametri fissati, versionamento dei dataset e controllo dei seed.
- PyTorch + ASVspoof 2019 LA
- Training riproducibile con controllo dei seed
- Metrica EER tracciata epoca per epoca
Quantizzazione per ultra-low-power
Quantizzazione post-training a INT8 con calibration set rappresentativo. Dimensione del modello e latenza di inferenza ridotte in modo sostanziale, con la perdita di accuratezza dovuta alla quantizzazione mantenuta al minimo grazie alla calibrazione.
- PTQ con calibration set rappresentativo
- Perdita di accuratezza da quantizzazione mantenuta al minimo
- Footprint di memoria adatto a NPU embedded
Deployment su NPU
Esportazione ONNX → intermedio TFLite → conversione nel formato del vendor NPU. Validato su NPU embedded di fornitore UE e altri acceleratori a basso consumo. Latenza di inferenza <30 ms per frame audio.
- ONNX come formato di scambio
- TFLite come formato intermedio
- Integrazione con runtime NPU specifici del vendor