最大限度地减少算法占用空间并在AI网络边缘进行训练

　　数据处理当然不是一个新概念，算法也不是。然而，算法被训练和运行的地方正在迅速发展。近年来，机器学习（ML）算法的训练基本上是在云环境中进行的，因为能够利用临时计算资源来执行这些数据密集型任务。

　　如今，人们大力推动尽可能靠近源头处理数据。这是由于物联网（IoT）和现在正在生成大量数据的各种技术的出现。所有这些数据都让组织争先恐后地以经济高效的方式充分利用它。组织需要考虑从原始源到处理位置的数据传输成本，以及存储和处理数据的成本，这通常是在资源密集型服务器/云环境中。

　　人工智能 （AI） 技术开始出现，可以在低计算功率设备（如基于 ESP32 和 Cortex M4 的微控制器单元 （MCU））上实现 ML 模型训练和执行，而不是更大的微处理器单元 （MPU）。这允许数据保持本地，并且仅在必要时在云中传输已处理的数据。

　　通过将训练和运行 ML 模型的总体占用空间要求降低到 100kb 以下，嵌入式计算中的 AI 正在进入一个新的领域。例如，与合并排序算法相比，嵌入式算法工程师更欢迎气泡排序算法，因为前者使用现有内存。尽管已经存在许多算法，但正在针对嵌入式环境开发和优化新的基于AI的时间序列预测算法。通过这种新方法，AI/ML模型在嵌入式板上进行训练。然后，这些模型用于在执行期间执行多变量统计推断。

　　这些新的基于AI的时间序列预测算法有三个优点：

　　该解决方案与网络延迟无关，因为计算是在本地板上进行的，因此性能得到了提高。

　　原始数据的安全/隐私得到保证，因为原始信号/数据只出现在本地。

　　对于每个嵌入式板，都会训练一个新的 ML/AI 模型。这可能是这种方法的核心优势，因为在典型的工业案例中，由于环境变体、传感器的缺陷和机器变体，不可能使用单个 ML/AI 模型来覆盖机器特征集群。使用云服务器为每个嵌入式板训练模型也不是负担得起的。

　　技术突破

　　算法在嵌入式计算中发挥着重要作用。通常，嵌入式设备执行的算法任务包括传感器数据清理/过滤、数据编码/解码和控制信号生成。由于内存容量、CPU 功率和架构不同，嵌入式计算环境中“最佳算法”的定义可能与 PC 和云服务器中“最佳算法”的定义大不相同。

　　在过去的几年里，AI/ML算法取得了突破和非常迅速的进步。许多努力都集中在将AI / ML模型（这些模型在其他地方训练）引入嵌入式上下文。换句话说，要成功部署 AI/ML 模型，需要优化算法的内存/CPU 使用率和功耗。

　　人工智能正在缩小，可以运行这些高级算法。技术进步现在允许人工智能和预测性维护从基于 MPU 的设备转向基于 MCU 的设备，占用空间小，价格显著降低。基于 MCU 的设备现在可以在网络边缘执行以前仅在 MPU 上提供的任务（例如预测性维护）。这一新功能使芯片制造商、原始设备制造商 （OEM） 和智能设备制造商能够降低成本并提供差异化的产品。

　　审核编辑：郭婷