扩展微小ML将速度加速AI进入IOT设备的运动

文章:Richard Quinnell

为了达到它的全部潜力,边缘的AI需要自适应。输入微小的机器学习。

引入设计的一个优点是,该本地设备的能力是访问网络的虚拟无限的计算能力。这亚马逊回声是一个经典的例子:一种低成本的本地设备,通过其互联网连接提供强大的语音识别AI和巨大的应用程序库。现在,某些AI正在进入本地设备,以帮助最小化带宽和延迟问题,通过使用用于较小设备的高效形式的机器学习(ML)。

可以通过在边缘设备中放置AI可以实现的示例ai有助于将气体传感器变成电子鼻子。在这种情况下,在设计周期期间生成传感器算法的ML,并且本地设备简单地运行该算法。这是将AI带到边缘的第一步,但还有更多的来。

为了达到它的全部潜力,边缘的AI需要自适应。这意味着边缘设备必须在本地实现ML。究竟,这是如何使用通常可用的有限计算功率边缘设备,目前是具有相当大的研究和开发的主题。在本地机器学习中提供信息和想法交换的形式是目标Tinyml基金会

图1在边缘的机器学习将导致更智能的物联网设备,无需过度开发人员的努力就能学习其任务。来源:纹orflow.

该基金会举办了第一行业事件 - 2019年Tinyml Summit-Tinyml Summit,并在超过90家公司参与方面产生了相当大的兴趣。该活动揭示了三个基本趋势:

  • 对于许多商业应用程序,功能较多的商业应用程序目前正在变得“足够好”,这是一个新的甚至更好的地平线。
  • 算法,网络和模型已经看出了大小的大小减小,许多尺寸下降到100千字节和下方。
  • 通过技术进步和生态系统的发展,有发展的势头。

这结果表明ML不仅可以到达边缘,在某些情况下已经存在。

新冠肺炎阻止了2020个事件,但对于2021年,Tinyml基金会创造了一个免费的在线活动最近结束但应该作为注册与会者作为档案。此外,该组织开发了一系列称为的讲座Tinyml会谈可在YouTube和其他平台上使用。

这一趋势显然是牵引力。该组织的赞助商现在跨越ARM,赛普拉斯半导体和三星的主要硬件玩家以及专注于低功耗AI应用的软件启动。大多数人现在都专注于视觉或音频(语音识别)系统,但智能传感器也是作为可行应用的地面。

这款趋势的趋势很好,适用于IOT开发人员。创建具有合理成本的紧凑型低功耗设备,可以使用传统的编程技术成为开发人员噩梦。然而,根据与设备的基于网络的AI处理的连接,具有设备的性能具有自己的缺点。家庭网络已经堵塞了流媒体和通信的需求;添加了一系列网络 - 播放智能设备可以过载典型的主机。网络通信的延迟也可能是一个问题,可以是网络关闭时设备操作的总故障。

将AI移动到边缘 - 至少用于基本功能 - 解决大部分问题。在边缘设备中用ML,开发人员可以制作他们的系统,以了解如何满足客户需求的情况下,如果提前彻底分析使用案件的开发人员,则会满足客户需求。在边缘设备中具有AI可减少对网络带宽的需求,消除网络延迟问题,并确保网络缺少的操作。扩展微小ML技术的努力将有助于将AI的移动速度加速到IOT设备中。

本文最初发布edn.

丰富的Quinnell.是一个退休的工程师和作家,以及Edn的前任主编。

相关文章:

发表评论