數(shù)據(jù)處理當(dāng)然不是一個(gè)新概念，算法也不是。然而，訓(xùn)練和運(yùn)行算法的地方正在迅速發(fā)展。近年來，由于能夠利用臨時(shí)計(jì)算資源來執(zhí)行這些數(shù)據(jù)密集型任務(wù)，機(jī)器學(xué)習(xí) （ML） 算法的訓(xùn)練大體上已在云環(huán)境中進(jìn)行。

如今，人們大力推動盡可能靠近源頭處理數(shù)據(jù)。這是由于物聯(lián)網(wǎng) （IoT） 的出現(xiàn)以及現(xiàn)在正在生成大量數(shù)據(jù)的各種技術(shù)。所有這些數(shù)據(jù)都讓組織爭先恐后地以具有成本效益的方式充分利用它。組織需要考慮數(shù)據(jù)從源頭傳輸?shù)教幚砦恢玫某杀荆约按鎯吞幚頂?shù)據(jù)的成本，這通常也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 ESP32 和基于 Cortex M4 的微控制器單元 （MCU） 等低計(jì)算功率設(shè)備上而非更大的微處理器單元 （MPU） 上進(jìn)行 ML 模型訓(xùn)練和執(zhí)行。這允許數(shù)據(jù)保持在本地，并且僅在必要時(shí)才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至 100kb 以下，嵌入式計(jì)算中的 AI 正在進(jìn)入一個(gè)新領(lǐng)域。例如，冒泡排序算法可能比合并排序算法更受嵌入式算法工程師的歡迎，因?yàn)榍罢呤褂昧爽F(xiàn)有的內(nèi)存。盡管已經(jīng)存在許多算法，但正在開發(fā)新的基于 AI 的時(shí)間序列預(yù)測算法并針對嵌入式環(huán)境進(jìn)行優(yōu)化。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)行期間進(jìn)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)測算法具有三個(gè)優(yōu)勢：

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。

由于原始信號/數(shù)據(jù)僅在本地出現(xiàn)，因此保證了原始數(shù)據(jù)的安全/隱私。

對于每個(gè)嵌入式板，都會訓(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，因?yàn)樵诘湫偷?a href="http://m.1cnz.cn/v/" target="_blank">工業(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 模型來覆蓋一組機(jī)器的特征。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/解碼和控制信號生成。由于有限的內(nèi)存容量、CPU 能力和不同的架構(gòu)，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)器中的大不相同。

在過去的幾年里，人工智能/機(jī)器學(xué)習(xí)算法取得了突破性的進(jìn)展和非常迅速的進(jìn)展。許多努力都集中在將 AI/ML 模型（這些模型在其他地方訓(xùn)練過）應(yīng)用于嵌入式上下文。換句話說，要成功部署 AI/ML 模型，需要優(yōu)化內(nèi)存/CPU 使用率和算法的功耗。

人工智能正在縮小，可以運(yùn)行這些高級算法。技術(shù)進(jìn)步現(xiàn)在允許人工智能和預(yù)測性維護(hù)從基于 MPU 的設(shè)備轉(zhuǎn)移到基于 MCU 的設(shè)備，占用空間小，價(jià)格顯著降低。基于 MCU 的設(shè)備現(xiàn)在可以在網(wǎng)絡(luò)邊緣執(zhí)行任務(wù)——例如預(yù)測性維護(hù)——以前只能在 MPU 上使用。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