看智能传感器如何推动边缘人工智能普及化

智能传感器推动边缘AI普及化

前言

英伟达公司（Nvidia）于日前发布了全新的50系显卡，在提高游戏性能的同时，着重优化了人工智能（AI）表现，这对于目前炙手可热的AI行业来说无疑具有非常重要的影响。随着近几年的快速发展，AI技术已经从边缘走向主流，从专业化走向普通用户。

图源：Nvidia官网

在过去，AI的应用仅限于数据中心等高功率计算设施集群。近几年，它已经扩展到工业运营的“边缘”，这得益于智能传感器和机器学习（ML）的集成。现在，AI的普及化正在扩展到互联的工业环境，应用范围变得更为广泛。

图源：Fortune Business Insights官网

根据Fortune Business Insights最新统计数据，边缘AI市场在2023年的规模为204.5亿美元，到2032年将达到2698.2亿美元，年复合增长率高达33%。这种快速增长将出现在多个行业，包括汽车、制造业、医疗保健、能源和公用事业。研究称，与边缘设备相关的增强实时决策能力和减少网络流量将推动边缘设备在能源效率和预测性维护等领域的应用。

边缘AI的硬件英雄

但是，哪些系统和解决方案支撑着边缘AI的迅猛发展，尤其是与智能传感器相关的领域？工程师在工业环境中试验此类技术有多容易？让我们通过深入研究边缘AI的基础知识及其带来的好处来回答这些问题。

顾名思义，边缘计算鼓励采用分布式架构，通过分布式计算框架将企业应用程序定位在更靠近数据源（例如物联网设备）的位置。边缘AI使用板载计算资源（例如CPU）在本地处理数据。在这里，机器学习算法被部署来实时分析数据流，而无需将它们无线发送到异地集中服务器。决策基于预先训练的模型，完全针对边缘设备进行了优化，减少了延迟并提高了隐私性。

除了生产常规的民用GPU，英伟达和其他公司也提供了专为边缘设备设计的全系列AI模块，使其成为机器人、智能相机和工业自动化应用的理想选择。

适用于受限设备的TinyML

然而，这些设备并不总是最适合边缘AI应用。有时，ML模型需要在处理能力和内存极其受限的设备上运行，例如微控制器(MCU)。这就是TinyML的概念的用武之地，TinyML是一门机器学习技术和应用，它以极低的功耗执行设备上的传感器数据分析。

过去，传统传感器收集各种参数的数据，例如工业物联网中的温度、湿度、振动和运动。这些信息通常会通过无线网络传输到中央处理器或云服务器进行分析。然而，这种方法存在缺点，最明显的是能耗、延迟和对强大通信网络的需求。

然而，根据专注于边缘超低功耗机器学习的全球非营利专业组织TinyML基金会的说法，传感器可以拥有专门针对低功耗、资源受限设备的板载ML功能。因此，边缘传感器收集的数据可以通过TinyML算法进行预处理，以备分析。数据被输入到经过训练的TinyML模型中，该模型根据其知识进行预测或分类。边缘设备可以根据模型的输出采取实时操作。例如，具有TinyML异常检测功能的压力传感器如果检测到异常读数，则可以发出警报。

这种架构有效地使AI能够在以前不适用的环境和应用程序中进行边缘优化。它与前面提到的行业公司的解决方案结合使用时也提供了灵活性。

尝试边缘AI

因此，边缘AI有可能掀起一场革命，利用可访问的技术和即插即用的解决方案，鼓励快速原型设计和测试AI驱动的解决方案。让我们看看工程师如何在边缘试验AI，重点介绍一些可以采取的实际步骤，以使想法变为现实。根据数字工程集团Encora的说法，这些步骤可以包括：

制定用例：查看AI可以在组织内引入效率或创新的具体领域。例如，目标可能包括启动预测性维护以减少停机时间和成本，或改善能源管理以提高运营效率和安全性。

选择合适的硬件：选择合适的硬件对于平衡功耗和计算需求至关重要。如本文前面所述，高性能GPU适合密集计算，而MCU则适合低功耗实时应用。

关注数据：收集的数据的质量和类型至关重要。确保数据全面且准确地代表您想要监控或预测的运营状况。此数据收集可能涉及集成各种传感器。此外，确保数据干净且井然有序，以便进行有效分析。

务必进行实验：训练模型需要选择正确的机器学习算法并调整参数以适应您的特定数据集。此过程可能涉及尝试不同的模型，以找到最能预测或识别与您的用例相关的模式的模型。

确保模型效率：优化模型以进行推理就是在不牺牲准确性的情况下使其尽可能高效。量化等技术可以减少模型的大小和计算需求，使其更适合边缘部署。

测试、测试、再测试：测试模型以确保其按预期运行至关重要。此过程可能涉及建立试点计划或分阶段部署以监控性能并收集反馈以进行改进。

进行性能评估：随着运营条件的变化，AI模型可能会随着时间的推移而发生变化。定期对模型进行性能评估和更新，以确保其继续有效满足您的需求。这有助于保持边缘AI系统的相关性和准确性。

获取用户的反馈：让多领域利益相关者参与评估边缘AI项目的内部反馈并共同规划未来的应用方向。

结语

这是通过集成智能传感器和机器学习实现的人工智能向工业运营边缘转移的概述。我们可以看到，传统传感器向具有边缘处理能力的智能传感器的不断发展正在产生深远的影响。最终，这种转变为未来的创新铺平了道路。