數(shù)據(jù)處理當(dāng)然不是一個(gè)新概念，算法也不是。然而，算法被訓(xùn)練和運(yùn)行的地方正在迅速發(fā)展。近年來，機(jī)器學(xué)習(xí)（ML）算法的訓(xùn)練基本上是在云環(huán)境中進(jìn)行的，因?yàn)槟軌蚶门R時(shí)計(jì)算資源來執(zhí)行這些數(shù)據(jù)密集型任務(wù)。

如今，人們大力推動(dòng)盡可能靠近源頭處理數(shù)據(jù)。這是由于物聯(lián)網(wǎng)（IoT）和現(xiàn)在正在生成大量數(shù)據(jù)的各種技術(shù)的出現(xiàn)。所有這些數(shù)據(jù)都讓組織爭(zhēng)先恐后地以經(jīng)濟(jì)高效的方式充分利用它。組織需要考慮從原始源到處理位置的數(shù)據(jù)傳輸成本，以及存儲(chǔ)和處理數(shù)據(jù)的成本，這通常是在資源密集型服務(wù)器/云環(huán)境中。

人工智能 （AI） 技術(shù)開始出現(xiàn)，可以在低計(jì)算功率設(shè)備（如基于 ESP32 和 Cortex M4 的微控制器單元 （MCU））上實(shí)現(xiàn) ML 模型訓(xùn)練和執(zhí)行，而不是更大的微處理器單元 （MPU）。這允許數(shù)據(jù)保持本地，并且僅在必要時(shí)在云中傳輸已處理的數(shù)據(jù)。

通過將訓(xùn)練和運(yùn)行 ML 模型的總體占用空間要求降低到 100kb 以下，嵌入式計(jì)算中的 AI 正在進(jìn)入一個(gè)新的領(lǐng)域。例如，與合并排序算法相比，嵌入式算法工程師更歡迎氣泡排序算法，因?yàn)榍罢呤褂矛F(xiàn)有內(nèi)存。盡管已經(jīng)存在許多算法，但正在針對(duì)嵌入式環(huán)境開發(fā)和優(yōu)化新的基于AI的時(shí)間序列預(yù)測(cè)算法。通過這種新方法，AI/ML模型在嵌入式板上進(jìn)行訓(xùn)練。然后，這些模型用于在執(zhí)行期間執(zhí)行多變量統(tǒng)計(jì)推斷。

這些新的基于AI的時(shí)間序列預(yù)測(cè)算法有三個(gè)優(yōu)點(diǎn)：

該解決方案與網(wǎng)絡(luò)延遲無關(guān)，因?yàn)橛?jì)算是在本地板上進(jìn)行的，因此性能得到了提高。

原始數(shù)據(jù)的安全/隱私得到保證，因?yàn)樵?a target="_blank">信號(hào)/數(shù)據(jù)只出現(xiàn)在本地。

對(duì)于每個(gè)嵌入式板，都會(huì)訓(xùn)練一個(gè)新的 ML/AI 模型。這可能是這種方法的核心優(yōu)勢(shì)，因?yàn)樵诘湫偷墓I(yè)案例中，由于環(huán)境變體、傳感器的缺陷和機(jī)器變體，不可能使用單個(gè) ML/AI 模型來覆蓋機(jī)器特征集群。使用云服務(wù)器為每個(gè)嵌入式板訓(xùn)練模型也不是負(fù)擔(dān)得起的。

技術(shù)突破

算法在嵌入式計(jì)算中發(fā)揮著重要作用。通常，嵌入式設(shè)備執(zhí)行的算法任務(wù)包括傳感器數(shù)據(jù)清理/過濾、數(shù)據(jù)編碼/解碼和控制信號(hào)生成。由于內(nèi)存容量、CPU 功率和架構(gòu)不同，嵌入式計(jì)算環(huán)境中“最佳算法”的定義可能與 PC 和云服務(wù)器中“最佳算法”的定義大不相同。

在過去的幾年里，AI/ML算法取得了突破和非常迅速的進(jìn)步。許多努力都集中在將AI / ML模型（這些模型在其他地方訓(xùn)練）引入嵌入式上下文。換句話說，要成功部署 AI/ML 模型，需要優(yōu)化算法的內(nèi)存/CPU 使用率和功耗。

人工智能正在縮小，可以運(yùn)行這些高級(jí)算法。技術(shù)進(jìn)步現(xiàn)在允許人工智能和預(yù)測(cè)性維護(hù)從基于 MPU 的設(shè)備轉(zhuǎn)向基于 MCU 的設(shè)備，占用空間小，價(jià)格顯著降低?；?MCU 的設(shè)備現(xiàn)在可以在網(wǎng)絡(luò)邊緣執(zhí)行以前僅在 MPU 上提供的任務(wù)（例如預(yù)測(cè)性維護(hù)）。這一新功能使芯片制造商、原始設(shè)備制造商 （OEM） 和智能設(shè)備制造商能夠降低成本并提供差異化的產(chǎn)品。

審核編輯：郭婷