技術(shù)
導(dǎo)讀:隨著越來(lái)越多的公司將物聯(lián)網(wǎng)(IoT)設(shè)備與邊緣計(jì)算能力相結(jié)合,人們逐漸對(duì)如何使用人工智能(AI)來(lái)優(yōu)化這些應(yīng)用感到好奇。以下是一些發(fā)人深省的可能性。
隨著越來(lái)越多的公司將物聯(lián)網(wǎng)(IoT)設(shè)備與邊緣計(jì)算能力相結(jié)合,人們逐漸對(duì)如何使用人工智能(AI)來(lái)優(yōu)化這些應(yīng)用感到好奇。以下是一些發(fā)人深省的可能性。
利用機(jī)器學(xué)習(xí)提高物聯(lián)網(wǎng)傳感器推斷精度
技術(shù)研究人員仍處于研究如何通過(guò)機(jī)器學(xué)習(xí)提高邊緣部署物聯(lián)網(wǎng)傳感器性能的早期階段。早期應(yīng)用包括將傳感器用于圖像分類或涉及自然語(yǔ)言處理的任務(wù)。不過(guò)有一個(gè)例子表明了人們是如何取得進(jìn)步的。
IMDEA Network的研究人員意識(shí)到,如果將物聯(lián)網(wǎng)傳感器用于特定的深度學(xué)習(xí)任務(wù),可能會(huì)導(dǎo)致傳感器無(wú)法保證特定的服務(wù)質(zhì)量,如遭遇延遲和推理準(zhǔn)確性降低。然而,參與該項(xiàng)目的研究人員開(kāi)發(fā)了一種名為AMR2的機(jī)器學(xué)習(xí)算法來(lái)應(yīng)對(duì)這一挑戰(zhàn)。
AMR2利用邊緣計(jì)算基礎(chǔ)設(shè)施使物聯(lián)網(wǎng)傳感器推斷更加準(zhǔn)確,同時(shí)實(shí)現(xiàn)迅速響應(yīng)和實(shí)時(shí)分析。實(shí)驗(yàn)表明,與不使用該算法的基本調(diào)度任務(wù)結(jié)果相比,使用算法后的推理精度提高了40%。
他們發(fā)現(xiàn),像這樣高效的調(diào)度算法對(duì)于幫助物聯(lián)網(wǎng)傳感器在邊緣部署時(shí)正常工作至關(guān)重要。一位項(xiàng)目研究人員指出,如果開(kāi)發(fā)人員將AMR2算法用于類似于谷歌圖片的服務(wù)(即根據(jù)圖像包含的元素對(duì)圖像分類),可能會(huì)影響執(zhí)行延遲。開(kāi)發(fā)人員可以部署該算法以確保用戶在使用應(yīng)用程序時(shí)不會(huì)注意到此類延遲。
邊緣人工智能降低連接設(shè)備的能耗
2023年,一項(xiàng)針對(duì)科技公司首席財(cái)務(wù)官的研究表明,預(yù)計(jì)80%的公司來(lái)年收入會(huì)增加。但增加收入的前提是,員工了解客戶的需求并相應(yīng)地提供產(chǎn)品或服務(wù)。
許多物聯(lián)網(wǎng)設(shè)備的制造商想讓人們經(jīng)常佩戴他們產(chǎn)品。一些可穿戴設(shè)備可以監(jiān)測(cè)獨(dú)身一人的員工是否跌倒或感到痛苦;還可以監(jiān)測(cè)擔(dān)任高體力要求的角色是否處于過(guò)度疲勞的狀態(tài)而需要休息。在這種情況下,用戶必須對(duì)他們的物聯(lián)網(wǎng)設(shè)備有信心,相信設(shè)備可以在工作及其他時(shí)間可靠地工作。
這就是研究人員探索邊緣人工智能如何提高物聯(lián)網(wǎng)設(shè)備的能源效率的原因之一。物聯(lián)網(wǎng)設(shè)備用于研究久坐對(duì)健康的影響,以及正確的姿勢(shì)是怎樣改善結(jié)果的。任何捕捉生活方式數(shù)據(jù)的物聯(lián)網(wǎng)設(shè)備都必須持續(xù)收集數(shù)據(jù),所以幾乎或根本不能出現(xiàn)因?yàn)樵O(shè)備電量耗盡而停止收集信息的情況。
為了避免上述情況,受試者佩戴的無(wú)線設(shè)備通常由紐扣電池供電。一般來(lái)說(shuō),每個(gè)小裝置都有慣性傳感器,用來(lái)收集人們?nèi)煲苿?dòng)量的準(zhǔn)確數(shù)據(jù)。然而最主要的問(wèn)題是,由于傳輸?shù)臄?shù)據(jù)量很大,電池的電量只維持幾個(gè)小時(shí)。例如研究表明,一個(gè)九通道運(yùn)動(dòng)傳感器每秒讀取50個(gè)樣本,那么一天則會(huì)產(chǎn)生超過(guò)100MB的數(shù)據(jù)。
然而,研究人員意識(shí)到,機(jī)器學(xué)習(xí)可以讓算法僅把關(guān)鍵數(shù)據(jù)從邊緣部署的物聯(lián)網(wǎng)設(shè)備傳輸?shù)街悄苁謾C(jī)或其他幫助分析信息的設(shè)備。他們繼續(xù)使用預(yù)訓(xùn)練的遞歸神經(jīng)網(wǎng)絡(luò),發(fā)現(xiàn)該算法實(shí)現(xiàn)了實(shí)時(shí)性能,能夠改進(jìn)物聯(lián)網(wǎng)設(shè)備的功能。
為設(shè)備端的人工智能訓(xùn)練創(chuàng)造機(jī)會(huì)
邊緣計(jì)算的進(jìn)步,提供了在更多地方使用智能設(shè)備的機(jī)會(huì)。例如,人們建議部署可以根據(jù)實(shí)時(shí)交通狀況打開(kāi)和關(guān)閉的智能路燈。技術(shù)研究人員和愛(ài)好者也對(duì)直接部署在邊緣的物聯(lián)網(wǎng)設(shè)備上人工智能的訓(xùn)練機(jī)會(huì)增加感興趣。這種方法可以提高產(chǎn)品功能,同時(shí)降低能耗并完善隱私保護(hù)。
麻省理工學(xué)院的一個(gè)團(tuán)隊(duì)研究了在智能邊緣設(shè)備上訓(xùn)練人工智能算法的可行性。他們嘗試了優(yōu)化多種技術(shù),其中一種技術(shù)只需157K內(nèi)存就可以在微控制器上訓(xùn)練機(jī)器學(xué)習(xí)算法,而其他輕量級(jí)訓(xùn)練方法通常需要300-600 MB的內(nèi)存。這一創(chuàng)新取得了顯著的改進(jìn)。
研究人員解釋說(shuō),在訓(xùn)練中生成的任何數(shù)據(jù)都會(huì)保留在設(shè)備上,從而減少了隱私泄露的危險(xiǎn)。他們還提出在正常使用過(guò)程中進(jìn)行訓(xùn)練的用例,例如算法能否通過(guò)在智能鍵盤(pán)上鍵入的內(nèi)容進(jìn)行學(xué)習(xí)。
這種方法無(wú)疑取得了令人印象深刻的成果。在一個(gè)案例中,該團(tuán)隊(duì)只訓(xùn)練了10分鐘算法,便能檢測(cè)圖像中的人。這個(gè)例子表明優(yōu)化可以雙向進(jìn)行。
盡管前兩個(gè)例子側(cè)重于改進(jìn)物聯(lián)網(wǎng)設(shè)備的工作方式,但這種方法也增強(qiáng)了人工智能訓(xùn)練過(guò)程。不過(guò),如果開(kāi)發(fā)人員在物聯(lián)網(wǎng)設(shè)備上訓(xùn)練算法并實(shí)現(xiàn)更好的性能的話,這將對(duì)人工智能算法和物聯(lián)網(wǎng)邊緣設(shè)備都有益處。
如何使用人工智能來(lái)改善物聯(lián)網(wǎng)邊緣設(shè)備的工作方式?
這些例子表明,在探索人工智能如何改善部署在邊緣的物聯(lián)網(wǎng)設(shè)備功能時(shí),研究人員所關(guān)注重點(diǎn)。希望這些能為你提供寶貴的見(jiàn)解和靈感。從一個(gè)定義明確的問(wèn)題開(kāi)始解決總是最好的,然后再尋找能夠幫助實(shí)現(xiàn)目標(biāo)的技術(shù)和創(chuàng)新方法。