所有关于电路
消息

AI在边缘:新机器学习引擎直接在传感器上部署

2020年8月03日经过玛雅jeyendran.

一项技术升级的微型原子将AI培训和操作带到单个设备。

ONE Tech是一家专注于为网络运营商、企业等提供物联网解决方案的AI和ml驱动公司MicroAI Atom产品的新功能

MicroAI原子is part of ONE Tech’s Micro AI product line, and it now has the ability to train and run AI models at the edge, enabling a variety of individuals and entities to “reduce the costs of bringing intelligence to the edge and endpoint by at least 80 percent.”

什么是微观?

根据一项科技的新闻稿,MicroAI是一种机器学习算法,嵌入到微控制器单元中,并操作了对设备行为的递归分析。更具体地,MicroAI从内部设备传感器收集数据,并利用半监督的学习方法来提出设备行为的完整视图。

半监督学习是指机器学习方法,它在模型的训练阶段期间利用一些具有更大的未标记数据的标记数据。其他机器学习方法可以采用完全监督的方法,该方法仅包括标记的训练数据或完全无监督的方法,这些方法仅包括使用未标记的培训数据。

MicroiAtom与设备传感器交互以获取其用于通知其AI模型的数据。

微型原子与设备传感器交互以获取数据以通知其AI型号。使用的图像礼貌一个科技

MicroAI原子与用于设备管理的现有基于边缘的微控制器不同,它直接应用于物联网设备和传感器,从而实现实时警报,同时提高设备的安全配置。

这款产品可以与Cartesiam的NanoEdge AI Studio相媲美允许设计人员将计算机学习直接集成到基于ARM Cortex-M MCU的边缘设备中

Edge AI培训的安全福利

AI模型主要通过利用云托管,基于GPU的服务器进行培训;虽然云计算有beplay体育app 苹果许多,但记录良好的优势,关于云托管数据和截取的模型的后果肯定存在的安全问题。

Micro AI Atom的培训AI模型在网络边缘直接允许该技术的用户完全绕过这些安全问题,因为数据不再需要传输到云。

不同设备的不同模型

安全福利不是唯一一个从培训AI模型直接在边缘培训的福利。云中培训的AI模型通常是“向下推向边缘”,这意味着每个现有设备都会受到相同AI模型进行的修改。

典型的微型原子部署过程

典型的MicroAI ATOM部署过程。使用的图像礼貌一个科技

即使某些设备有很多共同之处,重要的是要注意它们不需要有类似的性能要求。例如,两个本来完全相同的设备可能会在截然不同的天气条件下使用,因此可能需要完全不同的修改以达到最佳性能。

因此,为每个设备使用不同的模型可以显著提高性能。

数据传输的选择性

在创建和传输大量数据时,直接在边缘训练的能力也具有优势。

从设备捕获的数百万个数据点不再需要将云或其他位置迁移到分析,此外,Microi原子仅输出由其算法处理的数据,从而通过几个级别降低数据量。


您是否使用直接部署在设备上的机器学习模型?这种综合设计方法有哪些好处和局限性?在下面的评论中分享您的经验。