В этой статье я надеюсь раскрыть концепции машинного обучения и искусственного интеллекта в аппаратном пространстве.

Машинное обучение — это действие, заставляющее модель реагировать или действовать на основе ряда данных. В машинном обучении действия выполняются на основе размышлений и анализа предыдущего опыта.

В сфере Интернета вещей датчики используются для сбора данных, и угадайте, что любит данные? yh, модели машинного обучения.

Интеграция данных, собранных датчиками на микроконтроллерах, с моделями машинного обучения осуществляется уже довольно давно, но менее эффективно.

Например, если наша цель — спрогнозировать и отобразить температуру в помещении на следующую неделю. Как правило, мы собираем данные за определенный период времени, скажем, за два месяца (пытаясь придерживаться времен года). Затем данные передаются на сервер, который будет проверять и обрабатывать данные, на данных будет работать модель, будут сделаны прогнозы, затем они будут отправлены обратно на устройство, и температура в помещении на следующую неделю будет отображается.

Эта процедура кажется безобидной и забавной, но связана с множеством основных проблем, таких как временная задержка, проблемы с безопасностью данных, сильная зависимость от сети и использование энергии.

Чтобы устранить эту проблему, мы попытались перенести интеллект на устройство, следовательно, Edge Intelligence и Tiny ML.

ПРЕДВАРИТЕЛЬНЫЙ ИНТЕЛЛЕКТ

Edge Intelligence — это процесс развертывания моделей AI и ML на устройствах, устройствах, которые находятся ближе к источнику генерации и потребления данных, таких как смартфоны, встроенные устройства и устройства IoT.

Цель Edge Intelligence — приблизить аналитику и принятие решений к точке сбора данных, а не полагаться на центральные серверы или облачные вычисления.

С помощью таких технологий, как Edge Impulse, можно получать данные с датчиков ваших смартфонов.

Заставить их принимать решения на основе новых данных, не отправляя их из устройства.

МАЛЕНЬКИЙ МЛ

Tiny ml — это подмножество Edge Intelligence, основное отличие которого заключается в том, что алгоритмы и модели машинного обучения развертываются на микроконтроллерах, устройствах с низким энергопотреблением и ограниченными ресурсами.

Микроконтроллеры, такие как ESP 32, Arduino и микроконтроллеры ARM, используются для развертывания моделей машинного обучения, где их расположение близко к источнику данных.

Основными платформами машинного обучения, используемыми в отрасли на момент написания статьи, являются Tensorflow Light, uTensor и CMSIS-NN от Arm.

Обе технологии имеют примерно одинаковые приложения в реальном мире.

ПРИМЕНЕНИЕ И ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ.

Применение этого продукта включает в себя:

  1. Прогнозное обслуживание. Профилактическое обслуживание является наиболее популярным и впечатляющим вариантом использования. Профилактическое обслуживание в основном используется в промышленности для наблюдения за тем, как работает машина, и позволяет предсказать, когда машина выйдет из строя. TinyML делает это на маломощных устройствах с ограниченными ресурсами, таких как микроконтроллеры, путем локального развертывания алгоритмов и моделей машинного обучения на устройстве. Прогностическое обслуживание на основе TinyML имеет много потенциальных преимуществ, таких как снижение затрат на обслуживание, увеличение времени безотказной работы оборудования и повышение безопасности пользователей.
  2. Аудиоаналитика. Аудиоаналитика — это использование микропроцессоров для анализа аудиоданных в режиме реального времени. Это может активировать ряд приложений, таких как распознавание речи, классификация музыки, обнаружение шума и голосовые помощники. для достижения этого используются такие методы, как сжатие модели, квантование и обрезка, чтобы уменьшить размер и сложность модели при сохранении точности. Помните, мы хотим, чтобы он был легким и точным.
  3. Умный виртуальный помощник в розничной торговле. Розничные продавцы стремятся улучшить онлайн-обслуживание клиентов, вводя голосовые заказы, чтобы заменить текстовый поиск голосовыми командами. Благодаря голосовому заказу покупатели могут легко искать товары, запрашивать информацию о продукте и размещать онлайн-заказы с помощью интеллектуальных динамиков или других интеллектуальных мобильных устройств.
  4. Интеллектуальное прогнозирование в энергетике. Для критически важных отраслей, таких как энергетика, в которой перебои в поставках могут угрожать здоровью и благополучию населения в целом, интеллектуальное прогнозирование имеет ключевое значение. Модели Edge AI помогают объединять исторические данные, погодные условия, состояние сети и другую информацию для создания сложных симуляций, которые информируют клиентов о более эффективном производстве, распределении и управлении энергетическими ресурсами.

Tiny ML и Edge Intelligence также имеют приложения в разделе работоспособности, но не достигли уровня уверенности для их развертывания. Медицина и жизни полагаются на 100% уверенность, даже вероятность 99% не рекомендуется, правила и положения, касающиеся использования медицинского инструмента, очень специфичны.

Применение Tiny ML и Edge Intelligence в сфере здравоохранения может открыть новые приложения и улучшить существующие. Например:

  • Удаленный мониторинг пациента. Устройства с поддержкой TinyML, такие как носимые датчики или смарт-часы, могут постоянно отслеживать основные показатели жизнедеятельности и предупреждать медицинских работников о любых существенных изменениях. Анализируя эти данные локально на устройстве, можно сэкономить на пропускной способности и расходах на хранение, а также обеспечить конфиденциальность и безопасность данных.
  • Медицинская визуализация. Edge Intelligence позволяет обрабатывать медицинские изображения в режиме реального времени на устройствах с низким энергопотреблением, таких как микроконтроллеры. Это может способствовать более быстрой диагностике и составлению планов лечения, особенно в отдаленных районах или районах с ограниченными ресурсами.
  • Обнаружение лекарств. Модели машинного обучения, развернутые на периферии, могут обеспечить анализ молекулярных данных в режиме реального времени для выявления потенциальных мишеней для лекарств и ускорения процессов поиска лекарств.

В заключение, эти области являются новыми и формирующимися областями будущего, которые помогут улучшить качество жизни. Вместе и с большой стойкостью в полевых условиях мы сломаем барьеры и продвинем человечество дальше.

Спасибо, что прочитали.

Если вы заинтересованы в том, чтобы присоединиться к проектам в этой области, вы можете связаться со мной по

Электронная почта: [email protected]

LinkedIn: https://www.linkedin.com/in/keside-onyeocha-764275225

Вы также можете приехать в Nithub Lagos, Нигерия, чтобы присоединиться ко мне, чтобы построить и обсудить.

Контактная информация: [email protected]

контактная информация: [email protected]