數(shù)據(jù)處理當然不是一個新概念，算法也不是。然而，訓練和運行算法的地方正在迅速發(fā)展。近年來，由于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，機器學習 （ML） 算法的訓練大體上已在云環(huán)境中進行。

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） 的出現(xiàn)以及現(xiàn)在正在生成大量數(shù)據(jù)的各種技術。所有這些數(shù)據(jù)都讓組織爭先恐后地以具有成本效益的方式充分利用它。組織需要考慮從數(shù)據(jù)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，這通常也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 ESP32 和基于 Cortex M4 的微控制器單元 （MCU） 等低計算功率設備上而非更大的微處理器單元 （MPU） 上進行 ML 模型訓練和執(zhí)行。這允許數(shù)據(jù)保持在本地，并且僅在必要時才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至 100kb 以下，嵌入式計算中的 AI 正在進入一個新領域。例如，冒泡排序算法可能比合并排序算法更受嵌入式算法工程師的歡迎，因為前者使用了現(xiàn)有的內存。盡管已經(jīng)存在許多算法，但正在開發(fā)新的基于 AI 的時間序列預測算法并針對嵌入式環(huán)境進行優(yōu)化。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)行期間進行多變量統(tǒng)計推斷。

這些新的基于 AI 的時間序列預測算法具有三個優(yōu)勢：

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。

由于原始信號/數(shù)據(jù)僅在本地出現(xiàn)，因此保證了原始數(shù)據(jù)的安全/隱私。

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 模型來覆蓋一組機器的特征。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。由于有限的內存容量、CPU 能力和不同的架構，嵌入式計算環(huán)境中“最佳算法”的定義可能與 PC 和云服務器中的大不相同。

在過去的幾年里，人工智能/機器學習算法取得了突破性的進展和非常迅速的進展。許多努力都集中在將 AI/ML 模型（這些模型在其他地方訓練過）應用于嵌入式上下文。換句話說，要成功部署 AI/ML 模型，需要優(yōu)化內存/CPU 使用率和算法的功耗。

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 的設備轉移到基于 MCU 的設備，占用空間小，價格顯著降低?；?MCU 的設備現(xiàn)在可以在網(wǎng)絡邊緣執(zhí)行任務——例如預測性維護——以前只能在 MPU 上使用。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??的產品。

審核編輯：郭婷