英飞凌——人工智能物联网:当物联网终端设备拥有深度学习的能力

英飞凌——人工智能物联网:当物联网终端设备拥有深度学习的能力

万物互联时代,人工智能物联网(AIoT)成为热门技术趋势之一。AIoT指的是在边缘端将人工智能和物联网结合起来,即在物联网终端设备中内置智能功能,使它们不仅可以收集和共享数据,还可以分析数据、从中学习,自主地做出决策并采取行动。

将智能算法应用于解决实际问题,相信大家并不陌生,我们每天都能看到的安防监控、语音识别、购物推荐就是一些例子。通过人工智能物联网,物联网终端设备能够更加“聪明”地分析和决策,人们也将收获一个更加安全、智慧、可持续的未来。那么,AIoT如何实现呢?

让我们首先来看一下

传统的人工智能+物联网的实现方式:

传统的方式,是把终端设备所收集的数据传送到云端,在云端完成数据分析、处理和机器学习,再将结果回传到设备,执行相应的指令。然而,这种方式存在三个主要问题:

第一是隐私性。比如数据会经历传输并存储在云端,让人们对于安全性和隐私性产生担忧。你肯定不希望自己与智能语音助手的对话记录,被不法分子“偷听”或者利用。

二是联网的可靠性。这种方式高度依赖云端处理,因此需要时刻保持云连接。如果家里突然断网,那么智能精灵可能只能反复对你说:“抱歉,网络无法连接”。

三是延迟问题。从数据上传、云端处理到指令下达,过程中都可能会产生延迟。但一些重要而紧急的任务,例如工业控制、人脸识别或医疗设备等,需要尽可能快速实时的响应。

为了解决这些挑战,机智的人们想出了一个方法——人工智能物联网(AIoT)

AIoT将机器学习部署到终端设备,也就是把庞大的数据在边缘端先进行实时处理,只传送必要的数据去云端。它帮助人们更好地保护数据隐私,减少延迟,并提升系统整体可靠性,也能从物联网设备中获取更多有价值的信息、提升用户体验,并减少维护成本和停机时间。

也正因如此,人工智能物联网自提出以来,就收获了热烈的市场反响。据Markets and Markets的数据显示,人工智能物联网市场规模预计将从2019年的51亿美元增长到2024年的162亿美元,复合年均增长率(CAGR)高达26%!

目前,人工智能物联网已经被应用于各行各业:在农业领域,它用于监控农作物的生长状态和环境因素,支持做出作物选择、肥料、灌溉等决策,提高产量;在工业领域,带有人工智能的机器人可以检查产品质量,执行高精度而重复性的任务;零售机器人为顾客提供个性化导购,提升购物体验;在医疗领域,它支持分析成像数据来检测和诊断疾病……

然而,让边缘端具有人工智能和机器学习的能力,

可远非贴个标签那么简单。

它需要跨技术领域的团队紧密合作,数据科学家和嵌入式软件的开发人员是其中的两大关键人物。数据科学家负责开发人工智能算法,会用到一些工具和流程。而将这些工具和流程整合到庞大的嵌入式软件开发中,又离不开嵌入式开发人员付出的巨大努力。

针对上述需求,唯样商城代理品牌——英飞凌为开发者提供了一个强大又直观易用的工具箱,名为ModusToolbox™ ML弥合了机器学习与嵌入式系统设计之间的一个重要缺口。它提供的灵活的工具和模块库可支持在英飞凌超低功耗微控制器上,轻松地优化、验证和部署常用软件训练框架的深度学习模型,帮助开发者人员更高效、更快速地向市场推出高品质的产品。

英飞凌——人工智能物联网:当物联网终端设备拥有深度学习的能力_第1张图片

 

ModusToolbox基于开源平台Eclipse,可与第三方插件无缝集成,兼容Windows, Linus, macOS等多种操作系统。它还可以支持时下流行的物联网开发平台,比如Arm Mbed OS、Amazon FreeRTOS,阿里的AliOS Things和Zephyr等。

除了基本的项目文件管理、代码编辑、编译调试以外,ModusToolbox还包含多种工具、中间件库、资源库和许多预建的模板。ModusToolbox面向主流的生态系统提供了多个支持解决方案和示例代码,同时还带有云管理的工具,使得开发人员能够轻松地把他们的产品和领先的云服务连接起来。

英飞凌——人工智能物联网:当物联网终端设备拥有深度学习的能力_第2张图片

 

图:ModusToolbox包含软件、工具以及开发者社区

针对人工智能物联网不断增长的需求,

英飞凌推出了ModusToolbox™ ML

ModusToolbox™ ML是ModusToolbox工具箱里的一项新功能,ML就是指机器学习(Machine Learning)。它可以为开发人员提供基于深度学习模型所需的中间件、软件库和专用工具,让英飞凌PSoC微控制器进行机器学习的工作。主要特点包括:


提供了一个统一的软件流程,把机器学习算法植入到PSoC™ 6 MCU中,允许开发人员使用他们首选的深度学习框架,直接部署到PSoC MCU上。

支持通过量化分析等技术来优化模型,帮助嵌入式软件工程师选择最合适的算法,嵌入到PSoC™ 6的固件中,并降低平台复杂度。

提供可视化的测试结果,支持基于测试数据的性能验证功能。这样一来,在PSoC MCU上有效运行模型时,开发人员就能够在成本、性能和复杂度之间做出权衡。

英飞凌也在联合生态圈伙伴,不断升级开发工具。

近期,英飞凌宣布与SensiML合作,为开发者提供 SensiML Analytics Toolkit开发软件和ModusToolbox™套件,支持为智能家居、健身和工业应用提供传感器数据并训练机器学习模型。开发者可以轻松地从英飞凌 XENSIV™ 传感器中获取数据、训练机器学习 (ML) 模型,并直接在超低功耗 PSoC™ 6 MCU 上部署实时推理模型。

英飞凌——人工智能物联网:当物联网终端设备拥有深度学习的能力_第3张图片

 

图:英飞凌携手 SensiML提供传感器数据并训练机器学习模型

人工智能物联网方案的开发者,现在可以:

利用英飞凌的 ModusToolbox™ ML软件工具超低功耗 PSoC™ 6 技术 CAPSENSE™ 电容式传感技术并搭配AIROC™无线连接解决方案提供的强大连接,以及业界领先的XENSIV™ 系列传感器SensiML 软件提供了必要的固件和数据科学工具,用以捕获和标记来自传感器的数据。此外,开发者无需掌握广博的AI专业知识即可利用 AutoML云平台来训练模型,然后将生成的模型部署到 PSoC™ 6 MCU 上,从而应用于边缘设备。

*本文内容参考了英飞凌大中华区安全互联系统事业部高级现场应用工程师经理李海力先生的观点

你可能感兴趣的:(人工智能,深度学习,物联网)