Використання вбудованих нейронних мереж та машинного навчання стає ключовим диференціатором продукту.

ВСТУПЕНІ НЕЙРОННІ МЕРЕЖІ

Локальний аналіз даних у пристроях та датчиках

Зі збільшенням продуктивності та енергоефективності вбудованих процесорів з’являється можливість вбудовувати складні машинні алгоритми в глибоко вбудовані системи, наближаючи обчислення та машинне навчання до місця, де датчики збирають дані.

Причини переходу до аналізу даних у пристрої (локальна обробка) включають проблеми щодо:

Поліпшення пропускної здатності передачі та зв’язку бюджету

Балансування енергоспоживання

Конфіденційність даних та їх локалізація

Додатки в режимі реального часу

Вбудовування машинного інтелекту в датчик – або частина його реалізації – дозволяє потенційно зменшити кількість інформації, яка повинна передаватися через бездротову мережу, що дозволяє використовувати мережі низької швидкості передачі даних у великих регіонах. Це зменшення дозволяє вбудовувати датчик у обмежуючі бюджетні умови зв’язку, такі як біля землі, у підвалах, тунелях, захованих шафах або закритих приміщеннях.

Крім того, локалізація даних забезпечує підвищену безпеку, локалізуючи доступ до потенційно конфіденційних даних та передаючи лише інформацію, яка не загрожує місцевій безпеці. Крім того, користувач може підтримувати повний контроль над конфіденційними даними, такими як дані звуку чи зображення, одночасно передаючи анонімні дані або класифікації в хмару (де атаки посередників можуть переглядати або компрометувати дані).

Зменшення мережевого трафіку також зменшує затримки та потенційні мережеві витрати. Завдяки впровадженню в пристрій вишуканого інтелекту, пристрій стає стійким до уповільнення роботи мережі або збою з’єднання.

Вимоги до енергії та енергії та отримані джерела живлення є основними міркуваннями при переміщенні інтелекту до датчиків.

Потреби в енергії фізичних датчиків, таких як мікрофони, камери, LIDAR та інерційні, продовжують падати, дозволяючи отримувати більше енергії для обчислень. Багато фізичних датчиків тепер включають складні режими управління енергією, що знижують загальні потреби в енергії. У деяких випадках реалізація алгоритму машинного навчання може заощадити енергію на основі включення довших станів сну в архітектуру та швидкість збору даних. Баланс архітектури та енергії є важливим фактором при локальному або розподіленому машинному навчанні.

Більшість нейронних мереж виявлення особливостей використовують ряд згорткових шарів, за якими слідує об’єднання та щільний шар, що призводить до класифікації сигналу. Вхідними даними для згорткового шару може бути одновимірний часовий ряд або часовий ряд, перетворений в інший багатовимірний простір, такий як спектральна щільність потужності або вейвлет-перетворення. Для цього потрібна спектральна потужність або операція подання частоти часу до введення в мережу. Багато вбудованих бібліотек уже включають оптимізовану версію цих операцій.

В даний час існують фреймворки для аналізу, архітектури, розробки, навчання та тестування алгоритмів машинного навчання, таких як TensorFlow, Keras, Kaffe та ін. Вбудовані фреймворки, такі як CSMIS NN від ARM та Fraunhofer ISS, дозволяють впроваджувати архітектури машинного навчання на стандартних ядрах ARM використання перевірених та оптимізованих бібліотек. Багато вбудованих процесорів тепер включають декілька ядер, включаючи векторні та матричні машини на основі графічного процесора, що додатково оптимізує продуктивність обчислень проти споживаної енергії.

Числові подання повинні враховуватися при впровадженні машинного навчання на вбудованих ядрах. Хоча на багатьох поточних ядрах доступні операції з плаваючою крапкою, операції з фіксованою крапкою або дробовим дробом залишаються найбільш енергоефективними на даний момент. Подальший розвиток та скорочення роботи FPU дозволить у майбутньому забезпечити енергоефективне машинне навчання з плаваючою точкою.

Можливість реалізації як традиційної цифрової обробки сигналів, так і операцій машинного навчання в датчиках змінить спосіб взаємодії пристроїв у світі.

Спочатку ця публікація була опублікована за адресою https://www.linkedin.com/pulse/use-embedded-neural-networks-machine-learning-becoming-garrett/.

Michael Garrett люб’язно дозволив нам перекласти і опублікувати цю статтю.