Ogni numero in questa pagina viene da benchmark riproducibili su dataset pubblici. Testato su benchmark di livello industriale: MNIST, MIT-BIH ECG e Speech Commands.
Testato su 4 dataset scientifici standard (Iris, Wine, Breast Cancer, Digits) con split 70/30 train/test. Tutti i modelli addestrati da zero, nessun pre-training.
| Dataset | Luviner V3 | MLP float64 | Decision Tree | Random Forest |
|---|---|---|---|---|
| Iris (150 / 4 feat / 3 cls) | 100.0% | 73.3% | 100.0% | 100.0% |
| Wine (178 / 13 feat / 3 cls) | 98.2% | 92.6% | 96.3% | 100.0% |
| Breast Cancer (569 / 30 feat / 2 cls) | 97.7% | 91.8% | 94.2% | 97.1% |
| Digits (1797 / 64 feat / 10 cls) | 97.0% | 95.6% | 85.7% | 97.4% |
| Media | 98.2% | 88.3% | 94.0% | 98.6% |
| Dataset | Luviner V3 | MLP float64 | Decision Tree | Random Forest |
|---|---|---|---|---|
| Dimensione Flash | ~14 KB | ~82 KB | ~2.4 KB | ~175 KB |
| Pronto MCU | Si | No | Si | No |
Rilevamento stato macchina industriale: 6 sensori di vibrazione, 4 stati (Normale, Riscaldamento, Stressato, Guasto). La sfida: Riscaldamento e Normale sono identici in una singola lettura — solo il contesto temporale rivela la differenza.
| Metodo | Accuratezza | RAM | Feature Eng. |
|---|---|---|---|
| Luviner Streaming | 88.5% | 102 float | Nessuna |
| Windowed Features | 83.8% | 60 float | Manuale (4 stat) |
| Stateless | 83.7% | 6 float | Nessuna |
Benchmark di riferimento del settore: 7.352 campioni training + 2.947 test da 30 volontari, 561 feature pre-calcolate, 6 attività. Split ufficiale train/test usato da tutti i paper pubblicati per confronto diretto.
| Metodo | Accuratezza | Flash (MCU) | Pronto MCU |
|---|---|---|---|
| Luviner EdgeV3 | 95.0% | 137 KB | Si |
| SVM (Anguita 2013) | 96.0% | ~500 KB+ | No |
| CNN 1D + TFLite | ~94-95% | ~300 KB+ | Parziale |
| LSTM | ~93-95% | ~1 MB+ | No |
Uno scenario più difficile: sequenze multi-attività con transizioni, classificando ogni singolo timestep in un flusso continuo. Dati raw 9 canali accelerometro/giroscopio, nessuna feature pre-calcolata. Lo scenario reale dello smartwatch.
| Metodo | Accuratezza | RAM | Feature Eng. |
|---|---|---|---|
| Full-Sequence | 79.6% | 105 float | Nessuna |
| Luviner Streaming | 75.5% | 105 float | Nessuna |
| Stateless | 68.6% | 9 float | Nessuna |
| Windowed Features | 30.6% | 324 float | Manuale (4 stat) |
I modelli migliorano direttamente sul dispositivo senza connettività cloud. L'adattamento few-shot e la compressione del modello abilitano deployment dove le condizioni cambiano.
Il modello si adatta a nuove condizioni con ~50 campioni, direttamente sul MCU. Nessun retraining da zero, nessun cloud necessario.
Trasferisce la conoscenza da un modello grande a uno piccolo. Il modello compresso raggiunge accuratezze impossibili col solo training diretto.
Benchmark su task rilevanti per il deployment embedded: comandi vocali, monitoraggio industriale, riconoscimento gesti e monitoraggio cardiaco.
Rilevamento comandi vocali always-on da feature MFCC
Manutenzione predittiva su sensori industriali di vibrazione
Classificazione gesti da IMU per wearable
Classificazione ritmo cardiaco per dispositivi medicali
Quantizzazione a interi con zero dipendenze runtime. L'intero modello sta in pochi KB di flash — nessun framework, nessun runtime, nessuna allocazione.
Oltre i dataset giocattolo. Luviner è testato su dataset standard del settore con decine di migliaia di campioni — gli stessi benchmark usati per valutare sistemi ML in produzione.
Il benchmark universale del ML. 70.000 cifre scritte a mano, 784 feature. Lo standard per qualsiasi sistema di classificazione.
Rilevamento aritmie cardiache reali. 109.000 battiti da PhysioNet, 5 classi cliniche. Direttamente nel nostro use case medicale.
Keyword spotting con feature MFCC. 10 parole chiave, rilevamento always-on. Direttamente nel nostro use case comandi vocali.
AutoML per MCU: specifica i vincoli hardware (Flash, RAM, modello di chip) e Luviner cerca automaticamente l'architettura neurale che massimizza l'accuratezza rispettando il budget di memoria. Nessuna competenza ML richiesta.
Addestra il modello solo sul funzionamento normale — nessun dato di guasto necessario. Il modello impara cos'è "normale" e segnala qualsiasi deviazione. Perfetto per manutenzione predittiva dove i guasti sono rari e costosi.
Il modello monitora la distribuzione dei dati in arrivo e segnala quando non corrisponde piu' ai dati di addestramento. Nessuna connessione cloud, nessun forward pass — opera direttamente sugli input raw con soli 24 bytes di RAM extra.
Piu' nodi sensore condividono stati neuronali tramite un protocollo mesh leggero. Ogni nodo ha il proprio cervello — insieme classificano cio' che nessun nodo singolo puo'. Nessun cloud, nessun server centrale, nessun single point of failure.
| Configurazione | Accuratezza | vs Singolo | Dim. Messaggio |
|---|---|---|---|
| 2 nodi (3+3 feature) | 100.0% | +20.0% | 24 bytes |
| 3 nodi (3+3+2 feature) | 100.0% | +18.9% | 24 bytes |
| 4 nodi (2+2+2+2 feature) | 97.5% | +25.2% | 24 bytes |
Sei capacita' che rendono la mesh pronta per deployment industriali. Ogni funzione compila in firmware C puro per gli stessi microcontrollori da 2 EUR — nessun hardware aggiuntivo, nessuna dipendenza cloud, nessun floating point.
I nodi votano su ogni decisione. Un nodo compromesso o guasto viene rilevato ed escluso automaticamente — la rete non si fida ciecamente di nessun singolo nodo. Serve il consenso della maggioranza per ogni classificazione.
Quando un nodo cade o uno nuovo si aggiunge, la rete si riconfigura automaticamente. Nessun intervento manuale, nessun downtime. Il monitoraggio heartbeat rileva i guasti in secondi.
L'informazione si propaga oltre i vicini diretti — attraverso nodi relay, il sistema nervoso della rete si estende su un intero impianto. Routing automatico, prioritizzazione basata sulla distanza.
Ogni nodo impara automaticamente quali dei propri stati interni portano l'informazione piu' utile per i vicini. Solo i dati piu' rilevanti vengono condivisi — riducendo la banda e migliorando l'accuratezza.
I nodi si adattano alle condizioni locali e condividono i miglioramenti con i vicini. L'intero sciame diventa piu' intelligente nel tempo senza riaddestramento centralizzato — ogni nodo contribuisce con cio' che impara.
Tutti i benchmark usano split train/test standard su dataset pubblici. Nessun cherry-picking, nessuna configurazione nascosta. I risultati sono verificabili indipendentemente.
Da CSV a C compilato in minuti. Inizia gratis.