物聯網技術的進步為大量設備帶來了互聯網連接能力。此外，邊緣計算的發(fā)展如今還為邊緣設備提供機器學習*1，將人工智能的版圖從云端擴展到外圍。本文將深入介紹一款突破性軟件解決方案，該方案將從根本上簡化部署，在邊緣設備上輕松實現機器學習。

邊緣人工智能和邊緣設備的發(fā)展

在邊緣計算的背景下，邊緣設備僅指在網絡邊緣運行并采集、處理和分析數據的設備。例如智能手機、安防攝像頭、智能揚聲器以及各種其他設備。近年來，隨著邊緣人工智能技術的興起，在機器學習功能的加持下，這些設備變得更加智能。

邊緣人工智能*2是通過人工智能在邊緣設備上采集、處理和分析數據相關技術的統(tǒng)稱。通常，實現人工智能需要大量數據和強大的計算能力，因此往往都運行在基于云的服務器上。而借助邊緣人工智能技術，數據能夠在設備內部進行處理，減少了與數據傳輸相關的延遲和成本，并且也更能保障隱私安全。

云計算與邊緣計算對比

在邊緣計算中，數據在設備上進行處理，而不是發(fā)送到云端，從而減少了傳輸延遲、安全風險和功耗。這些都是邊緣人工智能本身具備的優(yōu)勢。

邊緣設備與邊緣人工智能技術相結合，不斷拓寬物聯網 (IoT) 的應用領域。自動駕駛汽車、工廠自動化和醫(yī)療設備管理等應用場景，這些都是邊緣設備在需要實時數據處理和決策的環(huán)境中發(fā)揮關鍵作用的典型示例。

TinyML正在挑戰(zhàn)物聯網的極限

邊緣人工智能以往都是在具備強大處理能力的設備上實現，例如智能手機和平板電腦。然而，隨著物聯網的迅速普及，一種名為 TinyML（微型機器學習）*3 的技術日益引起大家的廣泛關注和濃厚興趣，借助該技術，原先能力有限的小型設備也能夠執(zhí)行板載機器學習的功能。

一般而言，機器學習都是在高性能計算機或云服務器上執(zhí)行的，這需要大量內存和高速處理器，從而產生相應的電力消耗。因此，可以基于大量數據集執(zhí)行大規(guī)模機器學習模型，從而實現高度精確的圖像識別、自然語言處理等工作任務。然而，工作流程（找元器件現貨上唯樣商城）的每一環(huán)節(jié)（包括數據采集、模型開發(fā)和驗證）通常都需要由各專業(yè)領域經驗豐富的工程師負責處理。

TinyML 是一種專為小型設備開發(fā)的機器學習技術，利用該技術，即使在處理能力有限的微控制器 (MCU) 上也能實現邊緣人工智能。隨著該技術的推出，預計很快會有更小巧的低功耗物聯網設備問世。現在，幾乎任何具有傳感器和邊際計算能力的設備上都可以運行機器學習推理，為這些設備賦予更高的智能。

TDK的的解決方案極大地促進了邊緣機器學習

Qeexo 是一家硅谷初創(chuàng)公司，于 2023 年加入 TDK 集團，致力于開發(fā)針對邊緣設備的機器學習解決方案，重點關注 TinyML 技術。Qeexo AutoML 是一款端到端“無代碼”（即不需要以某種編程語言手寫代碼）平臺，這樣即便不是研發(fā)工程師，通過這款平臺也能在小型邊緣設備上實現機器學習。用戶在基于 Web 的直觀界面中工作，可輕松執(zhí)行構建機器學習系統(tǒng)所需的所有步驟：首先采集原始數據并進行預處理，然后訓練和完善識別模型，最后創(chuàng)建完整的軟件包，并安裝到邊緣設備上，最終基于機器學習的智能產品開始發(fā)揮作用。

TDK 目前正在研發(fā) i3 微模塊，這是一款超緊湊型傳感器模塊，內置邊緣人工智能，用于實施預測性維護，即在工廠和類似設施在異常和故障發(fā)生前進行預測，并率先采取行動。各類傳感器（包括振動、溫度和氣壓傳感器）以及邊緣人工智能和網狀網絡功能都集成到一個緊湊型封裝中，無需依賴人力亦可監(jiān)控設備狀況，從而有助于充分

Qeexo 的產品管理總監(jiān) Michael A. Gamble 闡述了 Qeexo AutoML 的重要現實意義。“過去，嵌入式設備的機器學習是一個漫長而復雜的過程，需要具備高度專業(yè)的工程設計技能。Qeexo AutoML 能夠讓幾乎任何人（包括那些不熟悉技術的人）都可以使用精簡的端到端 Web 界面完成相同的工作。與數字設計工具和音頻工作站軟件面向幾乎所有獨具創(chuàng)意靈感的人群開放圖像藝術和音樂制作的方式類似，AutoML 為機器學習創(chuàng)造了公平的競爭環(huán)境。簡而言之，我們認為 Qeexo AutoML 是機器學習的‘民主化’技術平臺。”

邊緣設備技術的進步激勵了眾多具有復雜機器學習功能的物聯網設備和微控制器產品的開發(fā)。隨著 Qeexo AutoML 等工具的面世，現在可以更快地創(chuàng)建在邊緣設備上運行的復雜機器學習模型。

由邊緣人工智能負責處理從邊緣設備的傳感器中采集的數據，大大擴展了可行解決方案的選擇范圍。Gamble 指出：“將 Qeexo 的機器學習解決方案與 TDK 的傳感器設備相結合，將使我們能夠為客戶帶來一站式集成解決方案。我們期待在開發(fā)和提供智能邊緣解決方案方面與更多的伙伴建立協作關系，充分發(fā)揮彼此的優(yōu)勢。”

如今，邊緣設備不再局限于采集和傳輸數據用途，開始向具有自主學習能力的智能系統(tǒng)演變。先進的制造設施（有時稱之為“智能”工廠）將開始為幾乎每臺機器和設備配備邊緣設備。在消費領域，邊緣設備則以移動產品和智能手機的形式廣泛存在。在 AutoML、TinyML 和邊緣人工智能等工具的驅動下，人工智能預計將變得日益普及，隨處可見。這一切都將對我們的日常生活、企業(yè)發(fā)展和整個行業(yè)產生積極深遠的影響。

術語

機器學習：指計算機使用特定算法和統(tǒng)計模型通過數據自主學習的技術。它基于大量數據挖掘關聯規(guī)則，并根據這些結果做出預測和決策。

邊緣人工智能：通用術語，指在網絡末端（邊緣）運行的設備上運行人工智能算法以采集、處理和分析數據的相關技術。

TinyML：一種機器學習技術，使處理能力有限的嵌入式設備或配備微控制器的小型設備上也能執(zhí)行人工智能算法。

審核編輯：湯梓紅