Glossary
以下为 Reality AI Tools 中使用的技术术语和功能的按字母排序列表，并附有详细定义，帮助您理解其在整个平台中的使用方式。
A
AI Explore
Reality AI Tools 的一个功能，用于分析数据样本列表，并自动比较 feature spaces 和 decision structures，以建议最佳模型架构。这通常是大多数用户的起始步骤。
Anomaly Detection
一种用于判断数据模式何时偏离正常行为的 AI 模型类型。这些是单侧 detector 类型模型，仅使用正常样本进行训练。系统会设置一个 threshold，通过 AI 估计样本与正常范围之间的距离来判定异常信号。包含非正常数据的反例可用于帮助选择模型并估计 threshold。
B
Base Tool
定义 AI 模型的基础，包括 feature space、decision structure 和推理 target。Base Tool 在特定数据上训练后可生成 Trained Tool。初始 Base Tool 和 Trained Tool 通常通过 AI Explore 运行创建，为后续训练和优化提供基础。
C
Classifier
一种输出分类预测结果的 AI 模型，从其训练学习到的类别中选择一个类别作为输出。要训练和测试 classifier 类型模型，请使用 Data Sets 和 Sample Lists，并将 Inference Target 设置为 Target Class 元数据标签。
Cortex Microcontroller Software Interface Standard – Neural Networks (CMSIS-NN)
一组优化的神经网络内核，用于加速嵌入式模型推理。在将模型部署到 ARM 内核设备时可使用该组件。
Confusion Matrix
用于通过比较预测标签与实际标签来评估分类性能的可视化和表格工具.
Convolutional Neural Network (CNN)
包含卷积层的 Neural Network。这类网络可以学习数据中未由 feature space 直接提取的特征结构。与其他模型类型相比，CNN 通常具有更大的模型体积和更慢的推理速度。
Curate
为训练和测试 AI 模型而组织数据文件的过程，包括删除无效数据、对数据进行分组和标注，以及通过分段将原始传感器数据处理为样本。
D
Data Sample List
通过分段从原始文件中生成的一组较小数据帧，用于模型训练。每个数据帧代表推理模型看到的一个测试样本，结果将被跟踪并汇总记录。也称为 “Segmented List”。
Decision Structure
AI 分类模型的推理架构，例如 Neural Network、Convolution Neural Network、Support Vector Machine 或 K-means，以及其内部结构，例如 NN 的网络层或 SVM 的集成策略。
Deployment
将训练好的模型打包并导出到云端或嵌入式系统以供实际使用的过程。
Detection Target
在 detector 类型模型中用于定义检测训练样本的分类标签。在 curate 过程中，通过选择一个元数据列以及该列中的特定分类标签进行定义。例如，在 Anomaly Detection 中，可以选择 Datatype = Normal 作为训练目标。
Detector
一种输出二分类预测结果的 AI 模型，用于判断输入是否与其训练数据类型相似。它可用于 Anomaly Detection，通过在正常数据上训练，或作为 “单侧” detector 在单一已知类别数据上训练。系统会设置一个 threshold，利用 AI 估计输入与学习到的目标类别之间的距离来做出相似性判断。要训练和测试 detector 类型模型，请使用 Data Sets 和 Sample Lists，并将 Inference Target 设置为 Detection Target 元数据标签。
E
e² studio
由 Renesas Electronics 提供的集成开发环境（IDE），专为在 Renesas 微控制器和微处理器上开发嵌入式应用而设计。
Energy Triggered
Reality AI Tools 中的一种分段方法，根据输入信号中的能量模式或阈值将数据划分为样本，而不是使用固定的滑动窗口方式。
Explorer Tier
一种免费试用账户，允许用户使用有限的功能和数据测试 Reality AI Tools。
F
Feature Space
在模型训练期间用于描述输入数据的一组派生属性，例如频率成分或统计属性。有关更多信息，请参见 Feature Spaces.
File Level Metadata
分配给数据集中文件的描述性标签。参见 Metadata。
Full-Access Account
一种付费 Reality AI Tools 订阅，提供对所有功能（包括上传、下载和模型部署）的无限制访问。
I
Inference Target
AI 模型的期望输出。根据模型类型不同，inference target 可以是 Target Class 或 Target Value。在 curate 中创建数据集时，通过将某个元数据列设置为相应的目标类型来定义 inference target。
K
K-Fold Validation
一种交叉验证技术，将数据集划分为 K 个部分，通过多次训练/测试划分来评估模型准确率。Reality AI Tools 在 AI Explore 中默认执行 10-fold 测试，并允许用户在 Validation 页面设置自定义 k-fold 测试。
K-Means
一种基于聚类的模型决策结构，根据相似性（通常使用距离度量）将数据划分为 K 个不同组。这是一种无监督方法，在类别标签不可用时特别适用于异常检测和模式识别。K-means 具有紧凑的模型体积和高效推理性能，适用于资源受限的嵌入式部署。
M
Metadata
Metadata 指分配给数据子集的描述性标签，例如组编号、日期、设备来源或颜色，用于参考和上下文理解。Metadata 可以在文件级定义（File-Level Metadata），也可以在文件中的数据块级定义（Sample-Level Metadata）。Target Class 或 Target Value 被视为 Metadata 的一种特殊类型。
N
Neural Network (NN)
一种通过连接多层神经元并学习权重来实现的模型决策结构，在更复杂类别结构的使用场景中通常具有更好的性能，但部署体积更大。
Neural network compression
通过识别并移除冗余或低使用率权重来减少训练模型的大小和复杂度，然后重新组织网络，使其在保持可接受精度的同时更简单、更小、更快。
压缩模型在 Tools 中以 
符号表示。
O
One-vs-all
一种 SVM 集成结构，为每个类别创建一个学习器，用于区分该类别与所有其他类别。
One-vs-one
一种 SVM 集成结构，为每一对类别组合创建一个学习器。
Optimize BOM
一组 Reality AI Tools 功能，通过寻找 AI 模型的关键限制来帮助用户优化硬件和传感器成本。这包括 Sensor Channel Selection 用于减少传感器数量，以及 Sensitivity 和 Tolerance 测试，用于确定可靠运行所需的最低采样率、位深和噪声水平。
P
Project
Reality AI Tools 中的一个容器，用于存储特定用例的数据集、模型、配置和结果。建议用户按项目组织数据和模型。
R
Reality AI Tools
Renesas 提供的基于云的平台，用于开发、训练、验证和部署面向嵌入式系统的 AI 模型。
Regression
一种输出数值预测的 AI 模型，预测结果可以为任意浮点值。要训练和测试 regression 类型模型，请使用 Data Sets 和 Sample Lists，并将 Inference Target 设置为 Target Value 元数据标签。
Remaining Useful Life (RUL)
一种 regression 模型输出，用于预测组件在发生故障之前还能运行多长时间。
S
Sample Rate
从传感器采集数据点的频率，通常以赫兹（Hz）表示。
Sample Level Metadata
分配给文件中数据块的描述性标签。参见 Metadata。
Secure File Transfer Protocol (SFTP)
一种通过加密连接将大型数据集上传到 Reality AI Tools 的安全文件传输协议。
Segmented List
通过分段从原始文件中生成的一组较小数据帧，用于模型训练。每个数据帧代表推理模型看到的一个测试样本，结果会被跟踪并汇总记录。也称为 “Data Sample List”。
Sliding CSV Window
一种分段策略，通过在时间序列数据上以固定步长移动窗口来创建数据样本列表，这些窗口可以重叠或不重叠。
Support Vector Machine (SVM)
一种基于使用超平面对数据进行划分的模型决策结构，在许多使用场景中可以实现非常紧凑的嵌入式模型体积，同时保持良好的泛化能力。
T
Target
每个 AI 推理模型都有一个 Inference Target。根据模型类型不同，target 可以是 Target Class 或 Target Value。Data Sample Lists 会标注与其使用的 AI 模型类型兼容的 target。
Target Class
用于分类任务中表示样本状态或条件的分类标签。
Target Value
用于回归任务中表示温度或压力等数值量的数值标签。
Threshold
用于 detector 或 anomaly-detection 模型对输入样本进行分类的决策截止值。模型会计算一个相似度或距离分数，用于表示样本与学习到的目标模式（例如正常行为）之间的匹配程度。Threshold 定义了样本被视为相似（接受）或不相似（标记）的边界。Threshold 值通常在模型评估过程中，通过同时使用目标数据和反例数据来确定，以平衡误报和漏报。
Trained Tool
在使用用户提供的数据训练后，由 base tool 派生的 AI 模型。Trained Tool 包含 base tool 架构以及训练检查点，还可能包括 Error Balance 调整和 Smoothing 等后处理内容。Trained Tools 完整定义了一个 AI 推理模型，是 Reality AI Tools 中用于测试、优化和部署的基本单位。