智能傳感器推動邊緣AI普及化

前言

英偉達公司（Nvidia）于日前發布了全新的50系顯卡，在提高游戲性能的同時，著重優化了人工智能（AI）表現，這對于目前炙手可熱的AI行業來說無疑具有非常重要的影響。隨著近幾年的快速發展，AI技術已經從邊緣走向主流，從專業化走向普通用戶。

圖源：Nvidia官網

在過去，AI的應用僅限于數據中心等高功率計算設施集群。近幾年，它已經擴展到工業運營的“邊緣”，這得益于智能傳感器和機器學習（ML）的集成。現在，AI的普及化正在擴展到互聯的工業環境，應用范圍變得更為廣泛。

圖源：Fortune Business Insights官網

根據Fortune Business Insights最新統計數據，邊緣AI市場在2023年的規模為204.5億美元，到2032年將達到2698.2億美元，年復合增長率高達33%。這種快速增長將出現在多個行業，包括汽車、制造業、醫療保健、能源和公用事業。研究稱，與邊緣設備相關的增強實時決策能力和減少網絡流量將推動邊緣設備在能源效率和預測性維護等領域的應用。

邊緣AI的硬件英雄

但是，哪些系統和解決方案支撐著邊緣AI的迅猛發展，尤其是與智能傳感器相關的領域？工程師在工業環境中試驗此類技術有多容易？讓我們通過深入研究邊緣AI的基礎知識及其帶來的好處來回答這些問題。

顧名思義，邊緣計算鼓勵采用分布式架構，通過分布式計算框架將企業應用程序定位在更靠近數據源（例如物聯網設備）的位置。邊緣AI使用板載計算資源（例如CPU）在本地處理數據。在這里，機器學習算法被部署來實時分析數據流，而無需將它們無線發送到異地集中服務器。決策基于預先訓練的模型，完全針對邊緣設備進行了優化，減少了延遲并提高了隱私性。

除了生產常規的民用GPU，英偉達和其他公司也提供了專為邊緣設備設計的全系列AI模塊，使其成為機器人、智能相機和工業自動化應用的理想選擇。

適用于受限設備的TinyML

然而，這些設備并不總是最適合邊緣AI應用。有時，ML模型需要在處理能力和內存極其受限的設備上運行，例如微控制器(MCU)。這就是TinyML的概念的用武之地，TinyML是一門機器學習技術和應用，它以極低的功耗執行設備上的傳感器數據分析。

過去，傳統傳感器收集各種參數的數據，例如工業物聯網中的溫度、濕度、振動和運動。這些信息通常會通過無線網絡傳輸到中央處理器或云服務器進行分析。然而，這種方法存在缺點，最明顯的是能耗、延遲和對強大通信網絡的需求。

然而，根據專注于邊緣超低功耗機器學習的全球非營利專業組織TinyML基金會的說法，傳感器可以擁有專門針對低功耗、資源受限設備的板載ML功能。因此，邊緣傳感器收集的數據可以通過TinyML算法進行預處理，以備分析。數據被輸入到經過訓練的TinyML模型中，該模型根據其知識進行預測或分類。邊緣設備可以根據模型的輸出采取實時操作。例如，具有TinyML異常檢測功能的壓力傳感器如果檢測到異常讀數，則可以發出警報。

這種架構有效地使AI能夠在以前不適用的環境和應用程序中進行邊緣優化。它與前面提到的行業公司的解決方案結合使用時也提供了靈活性。

嘗試邊緣AI

因此，邊緣AI有可能掀起一場革命，利用可訪問的技術和即插即用的解決方案，鼓勵快速原型設計和測試AI驅動的解決方案。讓我們看看工程師如何在邊緣試驗AI，重點介紹一些可以采取的實際步驟，以使想法變為現實。根據數字工程集團Encora的說法，這些步驟可以包括：

制定用例：查看AI可以在組織內引入效率或創新的具體領域。例如，目標可能包括啟動預測性維護以減少停機時間和成本，或改善能源管理以提高運營效率和安全性。

選擇合適的硬件：選擇合適的硬件對于平衡功耗和計算需求至關重要。如本文前面所述，高性能GPU適合密集計算，而MCU則適合低功耗實時應用。

關注數據：收集的數據的質量和類型至關重要。確保數據全面且準確地代表您想要監控或預測的運營狀況。此數據收集可能涉及集成各種傳感器。此外，確保數據干凈且井然有序，以便進行有效分析。

務必進行實驗：訓練模型需要選擇正確的機器學習算法并調整參數以適應您的特定數據集。此過程可能涉及嘗試不同的模型，以找到最能預測或識別與您的用例相關的模式的模型。

確保模型效率：優化模型以進行推理就是在不犧牲準確性的情況下使其盡可能高效。量化等技術可以減少模型的大小和計算需求，使其更適合邊緣部署。

測試、測試、再測試：測試模型以確保其按預期運行至關重要。此過程可能涉及建立試點計劃或分階段部署以監控性能并收集反饋以進行改進。

進行性能評估：隨著運營條件的變化，AI模型可能會隨著時間的推移而發生變化。定期對模型進行性能評估和更新，以確保其繼續有效滿足您的需求。這有助于保持邊緣AI系統的相關性和準確性。

獲取用戶的反饋：讓多領域利益相關者參與評估邊緣AI項目的內部反饋并共同規劃未來的應用方向。

結語

這是通過集成智能傳感器和機器學習實現的人工智能向工業運營邊緣轉移的概述。我們可以看到，傳統傳感器向具有邊緣處理能力的智能傳感器的不斷發展正在產生深遠的影響。最終，這種轉變為未來的創新鋪平了道路。