人工智能（AI）能夠使工業物聯網（IoT）的嵌入式系統具有更高的響應能力和可靠性，并且該技術已被用于監測機械狀況并確定是否將要發生故障。以更具成本效益的方式安排維護工作。

在嵌入式系統中AI技術的部署時，要考慮到大部分數據的處理在哪里進行。AI算法在所需的計算性能方面差異很大，并且對處理該算法所需的內容以及在何處進行處理有很大的影響。

系統設計人員可以使用三種清晰的方法來開發基于嵌入式AI的系統，包括使用基于云的AI服務，使用內置AI部署系統或創建自己的算法（通常基于開源軟件）。

深度神經網絡（DNN）架構是算法的一個示例，尤其是在訓練階段，計算特別密集，在訓練階段，每次更新模型時都需要數十億個浮點計算。由于對DNN的強烈需求，經典的方法是將數據發送到云進行遠程處理。工業控制中支持AI的設備可以利用此遠程處理，其中許多以開源形式提供。

Google的TensorFlow，它為具有創建AI算法經驗的工程師以及剛剛起步的工程師提供了多個算法。Keras API構成TensorFlow框架的一部分，可輕松探索機器學習技術和運行應用程序。

然而，基于云的處理的缺點在于所需的通信帶寬。可靠的互聯網連接對于維持服務至關重要，并且值得注意的是，云AI的許多消費者應用程序都依賴寬帶連接。工廠中的機床可能無法訪問實時更新遠程AI模型所需的數據速率。

通過在本地進行更多處理，因此有可能縮減帶寬需求，有時會大幅縮減。在監視環境變量的應用程序中，許多變量不會長時間更改。對于模型而言，重要的是高于或低于某些閾值的變化。即使傳感器可能需要毫秒級地分析傳感器的輸入，但云服務器的更新速率可能約為每秒幾次更新，甚至更少。

構建AI軟件

對于更復雜的數據形式，例如音頻或視頻，將需要更大程度的預處理。在將輸出傳遞到AI模型之前執行圖像處理不僅可以節省通信帶寬，還可以幫助改善系統的整體性能。例如，在壓縮之前進行降噪通常會提高壓縮算法的效率。這與對高頻信號敏感的有損壓縮技術相關。邊緣檢測可與圖像分割一起使用，這減少了在訓練和推理期間都需要輸入到模型的無關數據的數量。

盡管圖像處理是一個復雜的領域，但在許多情況下，開發人員可以在本地處理算法，從而利用易于使用的庫并消除對高帶寬Internet連接的需求。一個簡單的例子是開源計算機視覺庫OpenCV，該庫用于預處理AI模型的數據。開發人員可以使用C ++，Java，Python和Matlab代碼進行調用，以實現高性能，并在將算法移植到嵌入式目標之前，還支持簡單的原型制作。

通過使用OpenCV并在本地處理數據，集成商還消除了在云中傳輸和存儲數據相關的安全風險，最終用戶關注的是數據傳遞到云時的隱私和安全性。狀態監視和工業檢查是關鍵過程，需要盡可能完善的數據分析。盡管云運營商已采取措施來防止數據受到破壞，但是如果被成功入侵，就盡可能多地將數據保留在每個設備中。

除支持圖像處理外，OpenCV的最新版本還直接支持許多流行的框架（包括Caffe，PyTorch和Tensorflow）構建的機器學習模型。

對于移植到嵌入式設備的任何機器學習模型，性能都是首要考慮的問題。由于訓練數據對性能的要求非常高，因此兩種選擇是在本地或云服務器上執行此操作（取決于隱私問題），并在設備本身執行（當訓練模型提供實時數據時）。

內置AI的Edge設備

如果每個節點的吞吐量相對較低，則一個網關可以處理多個傳感器節點的任務。由Octonion開發的Brainium平臺提供了針對嵌入式系統的完整開發框架。它的軟件環境直接支持使用云系統進行原型設計，并部署在使用Avnet SmartEdge Agile硬件構建的IoT設備和網關上。

Brainium軟件環境協調設備，以形成AI的整體環境。為了能夠將應用程序擴展到深度嵌入的節點，該環境支持多種AI技術，這些技術的計算強度低于DNN中采用的技術。網關軟件可以部署在現成的硬件上，例如能夠運行Android或iOS的平臺。在需要更高性能的地方，Brainium的云層可以部署在AWS，Microsoft Azure或自定義服務器解決方案上。

施耐德電氣和Festo還將本地AI納入了針對特定應用的控制產品中。前者提供Predictive Analytics應用程序，以識別影響性能的細微變化。在2018年，Festo收購了數據科學專家Resolto，其SCRAITEC軟件用來了解系統的狀態。

原始設備制造商或集成商在部署AI時采用哪種方法將取決于具體情況。例如，當用戶嘗試利用大數據分析時，他們可能希望將信息從許多系統中搬到更大的數據庫中，因此傾向于使用云服務，而更多人希望保護數據的隱私。
責任編輯:tzh