|
來(lái)源：AVNET 作者：Philip Ling 人工智能(AI)將變得非常普遍，而被視為理所當然。我們可以自信地說(shuō)出這一點(diǎn)，因為很多半導體制造商已經(jīng)擁有專(zhuān)為人工智能設計的嵌入式處理器。這些設備將變得像目前的技術(shù)主力微控制器(MCU)一樣無(wú)所不在。事實(shí)上，它們是MCU的自然進(jìn)化階段。 這時(shí)產(chǎn)生了一個(gè)相關(guān)的問(wèn)題，就是如何開(kāi)始使用人工智能。但這問(wèn)題忽略了一個(gè)更相關(guān)問(wèn)題的答案，應該這樣問(wèn)“什么樣的人工智能適合你”。是的，人工智能將無(wú)所不在，但它并不是設計的靈丹妙藥。工程師仍需要為其應用選擇最佳的解決方案。 安富利知道客戶(hù)最關(guān)心的是結果。透過(guò)了解用例，可能的解決方案通常會(huì )自己顯現。在人工智能變得如此容易獲得之前，這是真的，而現在仍然如此。在這方面，人工智能就像任何其他組件一樣。 然而，改變的是客戶(hù)的型態(tài)。人工智能出現在軟件領(lǐng)域，因此真正的專(zhuān)家是那些擁有十年以上經(jīng)驗的軟件公司。將軟件推向市場(chǎng)，需要合適的硬件搭配，特別是在工業(yè)、醫療和航空航天等領(lǐng)域。 Avnet Silica 系統解決方案，人工智能/機器學(xué)習與視覺(jué)，歐洲、中東和非洲的經(jīng)理 Michaël Uyttersprot 表示，這是安富利可以提供真正價(jià)值的一個(gè)領(lǐng)域，他說(shuō)：「我的部分職責是確保我們擁有所需的專(zhuān)業(yè)知識和合作伙伴，來(lái)幫助這些具有計算器視覺(jué)經(jīng)驗的公司成為新的用例�！� 這些用例存在于所有安富利強大的垂直領(lǐng)域，包括工業(yè)、汽車(chē)、醫療、航空航天和國防。機器學(xué)習(ML)用于多種用例，包括預防性維護。但是，正如Uyttersprot解釋的那樣，視覺(jué)部分吸引了最多人的興趣。他說(shuō)：「這些包括了在智能城市使用的應用程序，像是攝影機被用于偵測活動(dòng)，例如在駕駛時(shí)使用手機�！� 為使用機器學(xué)習(ML)的工業(yè)視覺(jué)選擇正確的硬件 在開(kāi)發(fā)機器視覺(jué)系統時(shí)，選擇正確的圖像傳感器是最重要的設計決策之一。當使用機器學(xué)習分析圖像數據時(shí)，這一點(diǎn)更為重要。 「如果你想使用具備機器學(xué)習的機器視覺(jué)來(lái)檢查快速移動(dòng)的東西，比如生產(chǎn)在線(xiàn)的瓶子，會(huì )需要使用帶有全局快門(mén)的相機模塊。滾動(dòng)快門(mén)在此應用程序中不起作用，因為有可能會(huì )遺漏細節」Uyttersprot說(shuō)。 同樣地，圖像傳感器需要適合操作環(huán)境。在某些應用中，有必要選擇一個(gè)同時(shí)具有適當低旋光性能的圖像傳感器。使用機器視覺(jué)時(shí)必須考慮這些因素，但在產(chǎn)生將使用機器學(xué)習解釋的數據時(shí)，這些考慮因素變得更加相關(guān)。 因為數據是由算法而不是由人來(lái)分析的，所以這提供了在機器視覺(jué)系統中引入不同感測模式的機會(huì )。這可能包括圖像傳感器以外的模式，例如飛行時(shí)間、雷達和激光雷達。隨之而來(lái)的則是對傳感器融合的需求。 傳感器融合是指從多個(gè)來(lái)源獲取數據，并將其合并為一個(gè)單一的數據集，以輸入神經(jīng)網(wǎng)絡(luò )的過(guò)程。這是一個(gè)關(guān)鍵階段，因為每個(gè)傳感器數據的加權方式將影響其與最終數據集的相關(guān)性。 每個(gè)用例都不同，因此沒(méi)有一套標準的方法，這表示傳感器融合可能交由制造商來(lái)負責。當您與安富利合作時(shí)，相關(guān)專(zhuān)家會(huì )負責傳感器融合。通常來(lái)說(shuō)，這些專(zhuān)家是開(kāi)發(fā)機器學(xué)習應用程序的軟件公司，但也可能是客戶(hù)，由安富利及其合作伙伴協(xié)助。 
Michaël Uyttersprot 工業(yè)中的機器學(xué)習的訓練和遷移學(xué)習 創(chuàng )建一個(gè)演示器來(lái)證明機器學(xué)習的概念并不像以前那樣困難，尤其是在與可以提供評估模塊和開(kāi)發(fā)工具包的伙伴合作時(shí)。將該概念應用于生產(chǎn)仍然是困難。 「標準數據集可用于演示目的，但這些標準數據集通常不適合實(shí)施�？蛻�(hù)可能需要從有建立數據經(jīng)驗的公司購買(mǎi)數據，或者他們需要自己建立數據」Uyttersprot 說(shuō)。 這就是遷移學(xué)習等技術(shù)有用的地方，它可以將為一個(gè)用例創(chuàng )建的數據移植到一個(gè)新的但相似的用例。這只是其中一種解決方案。另一個(gè)可能是使用3D建模虛擬創(chuàng )建的合成數據。這方法可以快速創(chuàng )建許多圖像，而這些圖像可用于訓練機器學(xué)習算法，而無(wú)需實(shí)際建立案例。 合成數據有其優(yōu)勢，但與機器學(xué)習中的大多數事情一樣，它不一定容易。了解挑戰是取得最佳結果的重要部分。當安富利開(kāi)始與客戶(hù)合作時(shí)，第一步是介紹機器學(xué)習以及它可以提供什么。 下一步是了解客戶(hù)真正想要實(shí)現的目標。在某些情況下，它可能只需要沒(méi)有機器學(xué)習的計算器視覺(jué)。在與合作伙伴一起開(kāi)發(fā)解決方案之前，確�？蛻�(hù)充分了解這些選項是非常重要的。 邊緣與云運算 隨著(zhù)人工智能向網(wǎng)絡(luò )邊緣移動(dòng)，這個(gè)問(wèn)題時(shí)常出現。然而，Uyttersprot指出，兩者將繼續共存，因為都有各自的優(yōu)點(diǎn)。 例如，如果安全性或延遲是用例中的特殊需求，則由邊緣處理比較適合；但如果應用程序需要能夠持續改進(jìn)算法，則在云中處理才是更好的解決方案。 「同時(shí)使用邊緣和云是有意義的�！筓yttersprot說(shuō)，「如果您在不同位置有許多產(chǎn)品，例如智能恒溫器，則可以使用邊緣處理。但是通過(guò)云共享數據可使算法改進(jìn)，可以在整個(gè)恒溫器網(wǎng)絡(luò )中推行�！� 結論 機器學(xué)習在工業(yè)領(lǐng)域中的使用一直在增加，部分原因是越來(lái)越多的高性能處理器配備強大AI加速技術(shù)。但無(wú)論是在訓練還是部署方面，軟件仍然是等同重要的關(guān)鍵。建模技術(shù)和遷移學(xué)習可以提供幫助，處理器制造商提供的資源和軟件工具也可以協(xié)助。要開(kāi)發(fā)成功的機器學(xué)習用例，硬件和軟件必須共同工作。 |
