РЕАЛЬНЫЙ МИРОВОЙ ИИ
Локализованное зондирование окружающей среды с помощью TinyML
TinyML предоставляет экономичные, портативные и локализованные решения для мониторинга качества воздуха.
Если вы не являетесь участником Medium, вы можете найти неограниченную версию этой статьи здесь.
В 2018 году в Калифорнии произошли самые сильные лесные пожары за всю ее историю: более 8 500 пожаров по всему штату уничтожили 1,9 миллиона акров земли[1]. Гибель людей, ранения и уничтожение имущества были разрушительными.
Качество воздуха в Калифорнии также пострадало из-за вредного пепла и дыма, исходящих от пожаров.
Неудивительно, что городские власти Сакраменто в этот период выпустили предупреждение о вреде для здоровья, чтобы предупредить жителей об ухудшении условий — на машинах были слои пепла, а воздух был наполнен опасным дымом.
Но индекс качества воздуха Google сообщил, что в то время условия в Сакраменто были «хорошими» и «идеальными»[2].
Почему?
Судя по всему, Google ошибся.
Ошибка Google была связана с данными, полученными от стороннего поставщика, который использовал алгоритм искусственного интеллекта (ИИ) «черный ящик» для прогнозирования погодных условий — алгоритм был ошибочным.
А поскольку алгоритм по своей природе является черным ящиком, ошибка не была обнаружена.
Этот инцидент является уроком ценности использования систем ИИ, которые можно на самом деле понять, т.е. объяснимый ИИ, основанный на четких объяснимых принципах, но он также выявил ограничения использования централизованных систем.
Локальный мониторинг имеет свои преимущества
Хотя лесные пожары в Калифорнии являются крайним примером, во многих ситуациях предпочтение отдается локальному, а не централизованному зондированию окружающей среды (мониторинг качества воздуха).
Рассмотрим следующий сценарий: вы увлекаетесь бегом и предпочитаете маршрут через ряд районов. Показатели качества воздуха, доступные на вашем телефоне — полученные из централизованной базы данных — сообщают о здоровом состоянии в пути.
Но вы в этом не уверены — ваш маршрут проходит по промышленным районам, где заводы источают видимый дым.
Является ли качество воздуха на маршруте бега безопасным для дыхания?
Другими ситуациями, когда локальный мониторинг качества воздуха может быть полезен, являются:
- Если вы хотите пройти по определенному маршруту пешком или на велосипеде (аналогично примеру с бегом трусцой) и беспокоитесь о местных условиях вдоль маршрута
- Если ваши ежедневные поездки на работу потенциально подвергают вас воздействию более высоких концентраций загрязняющих веществ — например, из-за того, что вы проводите слишком много времени на перегруженных скоростных автомагистралях, — и вы хотите контролировать свое ежедневное воздействие
- Системы вентиляции, кондиционеры и очистители воздуха, для которых могут быть полезны локальные данные о качестве воздуха на месте.
- Распределенные системы, в которых десятки показаний из локализованных источников могут помочь в более полных и детальных показаниях — «тепловая карта» точных показаний качества воздуха — по всему городу или региону
Локальные системы явно имеют свои преимущества при мониторинге качества воздуха, но проверка качества воздуха является сложной задачей. Это требует определенного количества сенсорных технологий, а также аналитики, способной давать надежные результаты.
Вот почему в большинстве городов используется лишь несколько станций мониторинга, где необходимые технологии могут быть реализованы и объединены в большую централизованную систему.
Но есть новая область ИИ — tinyML — которая специализируется на умных системах, которые являются небольшими, простыми в развертывании и экономично. Это делает его хорошо подходящим для локального развертывания систем, способных выполнять сложные задачи, такие как считывание и оценка качества воздуха.
Системы TinyML реализованы на небольших полупроводниковых устройствах — микроконтроллерах —, которые широко используются уже много лет, особенно с ростом приложений Интернета вещей (IoT).
Используя tinyML, эти микроконтроллеры становятся «умными».
Алгоритмы искусственного интеллекта, которые используют системы tinyML, делают акцент на простоте, поэтому их легко понять. Это делает их менее подверженными рискам, связанным с использованием сложных систем искусственного интеллекта типа «черный ящик», подобных тем, которые привели к неправильным показаниям в Сакраменто в 2018 году.
Локализованное зондирование окружающей среды tinyML
Немецкий производитель полупроводников — Infineon — взялся за внедрение интеллектуальных локализованных систем датчиков окружающей среды для мониторинга качества воздуха. Компания разработала решение tinyML, которое:
- Измеряет температуру, влажность и концентрацию загрязняющих газов и частиц (например, озона, монооксида углерода и диоксида азота)
- Выполняет анализ для оценки концентрации газа или вредных изменений в измерениях AQI (индекс качества воздуха).
- Отправляет оповещения в режиме реального времени на основе результатов анализа.
Infineon реализует свое решение в небольшом корпусе — микроконтроллере ARM Cortex-M0+. Это крошечное устройство оснащено сенсорной электроникой для отбора проб газовых частиц и способно обрабатывать сигналы и анализировать данные.
Проблемы мониторинга качества воздуха на микроуровне
Микроконтроллер ARM имеет всего 4 КБ ОЗУ и 32 КБ флэш-памяти — он очень легкий — поэтому он имеет ограниченную вычислительную мощность и не имеет операционной системы. Готовые платформы для написания ИИ, такие как Tensorflow Lite Micro, использовать нельзя, так как они слишком велики.
Итак, Infineon разработала собственную операционную систему и проприетарные библиотеки Python и C для кодирования необходимой модели ИИ.
Общий процесс и конструкция системы:
- Собирайте данные и разрабатывайте и обучайте подходящую модель ИИ, используя стандартные методы (например, с помощью Python, Tensorflow и PyTorch).
- После обучения разверните модель ИИ на микроконтроллере ARM (развернутая модель будет использоваться только для вывода, т. е. прогнозирования значений на основе обученных параметров).
- Тип модели ИИ, на которой остановилась Infineon, — это нейронная сеть (после того, как были опробованы другие «классические» модели машинного обучения, такие как деревья решений и случайные леса) из-за ее эффективности ( низкое использование памяти) и точность (производительность)
- Принятый тип архитектуры нейронной сети — это затворяемая рекуррентная единица (GRU) из-за ее способности использовать свойства времени при сохранении небольшого объема памяти — принятый GRU имеет относительно простую структуру, всего 2 скрытых слоя
Крошечное решение с большим потенциалом
Решение Infineon позволяет осуществлять мониторинг качества воздуха с помощью портативного экономичного устройства, которое можно встроить в предметы повседневного обихода — например, смартфоны или часы — и позволяет осуществлять мониторинг качества воздуха в локальном масштабе.
Его также можно использовать в промышленных или гражданских условиях — например, в рамках городской программы мониторинга окружающей среды — для улучшения существующих подходов за счет предоставления более подробных и полных данных зондирования окружающей среды.
Это приложение демонстрирует потенциал tinyML в использовании мощности ИИ в распределенном, локализованном и гранулированном масштабе.
И по мере того, как мир становится все более обеспокоен ухудшением состояния окружающей среды, подобные решения tinyML могут помочь контролировать условия более новыми и доступными способами, которые могут принести пользу как отдельным людям, так и обществу в целом.
В итоге
- Зондирование окружающей среды, такое как мониторинг качества воздуха, — сложная задача, выполняемая в основном с помощью централизованных систем, но иногда они склонны к ошибкам и не фиксируют изменения на локальном уровне.
- TinyML – это новая область ИИ, предлагающая решения с помощью небольших интеллектуальных устройств с низким потреблением ресурсов, которые могут выполнять сложные задачи, например считывать и анализировать качество воздуха, с помощью использование возможностей машинного обучения
- Компания Infineon разработала решение tinyML для мониторинга качества воздуха, которое является портативным, экономичным и может быть развернуто распределенным и локализованным образом.
- Решения TinyML, такие как разработанное Infineon, предлагают потенциал для улучшений в различных приложениях, таких как мониторинг качества воздуха, за счет использования возможностей ИИ в распределенной, доступной и малоресурсной среде. интенсивный способ
Ссылки
[1] https://www.census.gov/topics/preparedness/events/wildfires/2018-ca-wildfires.html
[2] М. Маккоу, Насколько плох воздух в Сакраменто? Некоторые говорят, что результаты Google расходятся с реальностью, The Sacramento Bee, 7 августа 2018 г. https://www.sacbee.com/news/california/fires/article216227775.html
Первоначально опубликовано на https://highdemandskills.com 18 июля 2021 г.
