數(shù)據(jù)處理當然不是一個新概念，算法也不是。然而，算法被訓練和運行的地方正在迅速發(fā)展。近年來，機器學習（ML）算法的訓練基本上是在云環(huán)境中進行的，因為能夠利用臨時計算資源來執(zhí)行這些數(shù)據(jù)密集型任務。

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）和現(xiàn)在正在生成大量數(shù)據(jù)的各種技術的出現(xiàn)。所有這些數(shù)據(jù)都讓組織爭先恐后地以經(jīng)濟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，以及存儲和處理數(shù)據(jù)的成本，這通常是在資源密集型服務器/云環(huán)境中。

人工智能 （AI） 技術開始出現(xiàn)，可以在低計算功率設備（如基于 ESP32 和 Cortex M4 的微控制器單元 （MCU））上實現(xiàn) ML 模型訓練和執(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，并且僅在必要時在云中傳輸已處理的數(shù)據(jù)。

通過將訓練和運行 ML 模型的總體占用空間要求降低到 100kb 以下，嵌入式計算中的 AI 正在進入一個新的領域。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，因為前者使用現(xiàn)有內(nèi)存。盡管已經(jīng)存在許多算法，但正在針對嵌入式環(huán)境開發(fā)和優(yōu)化新的基于AI的時間序列預測算法。通過這種新方法，AI/ML模型在嵌入式板上進行訓練。然后，這些模型用于在執(zhí)行期間執(zhí)行多變量統(tǒng)計推斷。

這些新的基于AI的時間序列預測算法有三個優(yōu)點：

該解決方案與網(wǎng)絡延遲無關，因為計算是在本地板上進行的，因此性能得到了提高。

原始數(shù)據(jù)的安全/隱私得到保證，因為原始信號/數(shù)據(jù)只出現(xiàn)在本地。

對于每個嵌入式板，都會訓練一個新的 ML/AI 模型。這可能是這種方法的核心優(yōu)勢，因為在典型的工業(yè)案例中，由于環(huán)境變體、傳感器的缺陷和機器變體，不可能使用單個 ML/AI 模型來覆蓋機器特征集群。使用云服務器為每個嵌入式板訓練模型也不是負擔得起的。

技術突破

算法在嵌入式計算中發(fā)揮著重要作用。通常，嵌入式設備執(zhí)行的算法任務包括傳感器數(shù)據(jù)清理/過濾、數(shù)據(jù)編碼/解碼和控制信號生成。由于內(nèi)存容量、CPU 功率和架構不同，嵌入式計算環(huán)境中“最佳算法”的定義可能與 PC 和云服務器中“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步。許多努力都集中在將AI / ML模型（這些模型在其他地方訓練）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，可以運行這些高級算法。技術進步現(xiàn)在允許人工智能和預測性維護從基于 MPU 的設備轉向基于 MCU 的設備，占用空間小，價格顯著降低。基于 MCU 的設備現(xiàn)在可以在網(wǎng)絡邊緣執(zhí)行以前僅在 MPU 上提供的任務（例如預測性維護）。這一新功能使芯片制造商、原始設備制造商 （OEM） 和智能設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