Искусственный интеллект (ИИ), в частности машинное обучение (МО), — это мощный метод построения моделей, использующих данные, например данные датчиков Интернета вещей, для создания полезных прогнозов. Однако обучение и выполнение моделей машинного обучения для встраиваемых систем и перенос ИИ на конечную точку датчика, где генерируются данные, является настоящей проблемой.

Встроить модель машинного обучения в аппаратное обеспечение с ограниченным объемом памяти и мощности непросто. И такая задача становится большой головной болью, если вы нацелены на многомиллиардный рынок микроконтроллеров (MCU). Да, микроконтроллеры есть почти в каждом промышленном или потребительском устройстве!

Машинное обучение откроет ценное использование 99% данных датчиков, которые в настоящее время отбрасываются из-за ограничений стоимости, пропускной способности или мощности.

Приложения, которые обеспечивает искусственный интеллект на устройствах, привлекают внимание как потребителей, так и промышленности, поскольку возможности постоянно включенных и более интеллектуальных устройств Интернета вещей огромны.

В 2018 году Gartner прогнозировал, что к 2022 году 80% смартфонов на рынке будут иметь встроенный искусственный интеллект.

Машинное обучение и обработка данных в облаке никуда не денутся, но искусственный интеллект на устройстве — это то, что делает подключенные устройства, включая автомобили, камеры, смартфоны, носимые устройства, а такжепромышленные Датчики Интернета вещей, например ПЛК и шлюзы или серверы пограничных вычислений последней мили, умнее и быстрее.

Например, с искусственным интеллектом на устройстве автомобили становятся безопаснее без микросекундной задержки при подключении к облаку, а безопасность повышается, робототехника может совершать инновационные скачки, улучшаются результаты решений в области здравоохранения, промышленное качество производства и профилактическое обслуживание для различные вертикальные приложения переосмыслены.

Когда мощь вашего ИИ оказывается у вас в руках или очень близко к вам, там рождаются данные, надежность становится сверхсилой, поскольку она больше не зависит от сети. доступности или пропускной способности.

Переход от облака

В облачном ИИ информация собирается и отправляется с устройства, например запрос на перевод, в облако, которое обладает вычислительной мощностью для применения сложных алгоритмов машинного обучения, обеспечивающих такие возможности.

Но у облачного ИИ всегда были некоторые недостатки; поскольку данные отправляются за пределы устройства, такие проблемы, как задержка или время между отправкой данных и ответом на запрос, являются серьезными в промышленных приложениях и создают неудобства в потребительских приложениях, таких как языковой перевод.

Поскольку вы зависите от внешней сети, ваши приложения ИИ надежны настолько, насколько надежно ваше соединение. Искусственный интеллект на устройствах также является важным этапом эволюции в мире, где спрос на конфиденциальность и безопасность со стороны потребителей, а также отраслей промышленности растет в геометрической прогрессии. Когда конфиденциальные данные остаются на вашем устройстве, они не могут быть скомпрометированы в облаке.

Локализованный ИИ стал возможен благодаря возросшей сложности алгоритмов ИИ, которые могут работать даже на сверхмалых маломощных микроконтроллерах (MCU) и микропроцессорных модулях (MPU). Вам даже больше не нужен мощный графический процессор или другой специализированный дорогостоящий чип, например ускоритель искусственного интеллекта, чтобы создавать свои собственные модели машинного обучения прямо у вас под рукой.

Конкурентное преимущество

ИИ стал конкурентным преимуществом для компаний, которые хотят не только оставаться впереди в своей отрасли, но и изменить ее. Искусственный интеллект на устройстве быстро дает преимущество компаниям, которые хотят привлечь клиентов к расширенным возможностям, предлагаемым технологией.

Например, около двух третей пользователей смартфонов берут свои устройства в руки каждые 30 минут; более 20% разговаривают по телефону каждые пять минут. Потребители уже в значительной степени полагаются на приложения ИИ, которые стали незаменимыми повседневными инструментами, от виртуальных помощников, таких как Alexa и Siri, до возможностей Google Maps для прогнозирования трафика и планирования поездок.

Искусственный интеллект на устройстве также позволяет создать подключенный автомобиль мечты потребителя, поскольку технология связи между транспортными средствами и транспортными средствами с инфраструктурой устраняет задержку, корректируя состояние дороги за доли секунды, улучшая маршрутизацию трафика и гарантируя, что сигнал никогда не исчезнет. теряются в туннелях или гаражах.

На арене робототехники устройства со встроенным ИИ лидируют, снижая затраты и предоставляя возможности, которые ищут потребители и промышленные заказчики. Например, они могут не знать, что их недорогой робот-пылесос оснащен искусственным интеллектом на устройстве, с интеллектуальными возможностями картографирования территории и способностью избегать препятствий на лету; они просто знают, что это работает лучше. Та же история и с промышленными роботами.

Даже внедрение машинного обучения в промышленные программно-логические контроллеры/ПЛК должно улучшить качество товаров, производимых в заводских цехах, что в конечном итоге улучшит итоговые показатели компаний-производителей.

Короче говоря, с искусственным интеллектом на устройстве — ваш предел — небо. Начните с малого, но начните прямо сейчас.

Технология за занавесом

Компании осознают потенциал искусственного интеллекта на устройствах для улучшения своих решений, и использование эффективной обработки искусственного интеллекта — это первый и самый важный шаг. Это означает поиск способов переноса объемных нейронных сетей на устройства, что очень часто включает в себя cсжатие, оптимизацию или квантизацию или комбинацию всех трех способов. Обученные платформы нейронных сетей могут также повысить производительность и энергоэффективность искусственного интеллекта на устройстве, и такие компании, как Google с TensorFlow и Facebook с PyTorch, помогают формировать отрасль.

Существуют также более простые и быстрые альтернативы нейронным сетям для искусственного интеллекта на устройстве. Одной из таких альтернатив являются генетические алгоритмы, обладающие следующим явным преимуществом: непревзойденная интерпретируемость и объяснимость при отличной производительности. Еще одним уникальным преимуществом генетических алгоритмов является то, что они создают суперкомпактные, но мощные модели машинного обучения с прогнозированием, которые можно легко встроить в недорогие коммерческие полочные микроконтроллеры-процессоры, и это без необходимости для сжатия или длительных этапов процесса.

MyDataModels использует генетические алгоритмы в своей основе для создания прогностических моделей с высокой интерпретируемостью, что в конечном итоге позволяет людям оставаться в цикле искусственного интеллекта. Теперь любой может понять, какие переменные/функции больше всего влияют на прогностическое решение; такое уникальное преимущество объяснимого ИИ является обязательным требованием с точки зрения функциональной безопасности, поскольку ИИ «черного ящика» — это очевидный вариант «нет-нет» для большинства промышленных приложений.

Чтобы узнать больше о том, как MyDataModels открывает ИИ на устройстве, предлагая огромный потенциал для инновационных промышленных и потребительских компаний IoT, зарегистрируйтесь сейчас на этот веб-семинар: Машинное обучение там, где рождаются данные . 2 слота в один день на ваш выбор:

  • 26 мая 2020 г., 10:00 по центральноевропейскому времени / по французскому времени: зарегистрируйтесь здесь
  • 26 мая 2020 г., 18:00 по центральноевропейскому времени / по французскому времени: зарегистрируйтесь здесь

Не пропустите; вы узнаете о:

  • ландшафт EdgeAI,
  • Проблемы, препятствующие инновациям AIoT,
  • Решения для внедрения машинного обучения в крошечные встроенные системы, чтобы получить информацию из источника данных с помощью отличного объяснимого искусственного интеллекта.

Докладчик: Винсент АЛЬКУФФ, глава AIoT, MyDataModels

#оставайтесь в безопасности и #счастливокодируйте