从监控和访问控制到智能工厂和预测性维护，基于机器学习（ML）模型构建的人工智能（AI）在工业物联网边缘处理应用中已变得无处不在。随着这种普及，支持AI 的解决方案的构建已经变得“大众化”——从数据科学家的专业领域转为嵌入式系统设计人员也需要了解的领域。这种大众化带来的挑战在于，设计人员并不一定具备定义要解决的问题以及以最恰当方式捕获和组织数据的能力。此外，与消费类解决方案不同，工业 AI 实现的现有数据集很少，通常需要用户从头开始创建自己的数据集。
AI 已经融入主流，深度学习和机器学习（DL 和 ML）是我们现在习以为常的许多应用的背后力量，这些应用包括自然语言处理、计算机视觉、预测性维护和数据挖掘。早期的 AI 实现是基于云或服务器的，需要大量的处理能力和存储空间，以及AI/ML 应用与边缘（终端）之间的高带宽连接。尽管生成式 AI 应用（如 ChatGPT、DALL-E 和 Bard）仍然需要此类设置，但近年来已经出现了边缘处理的 AI，即在数据捕获点实时处理数据。边缘处理极大减少了对云的依赖，使整体系统/应用更快、需要更少的功耗并且成本更低。许多人认为安全性得到了提高，但更准确地说，主要的安全重点从保护云与终端之间的通信转移到了使边缘设备更安全。
边缘的 AI/ML 可以在传统的嵌入式系统上实现，这些系统的设计人员可以使用强大的微处理器、图形处理单元和丰富的存储器器件，即类似于 PC 的资源。然而，越来越多的商业和工业物联网设备需要在边缘具备 AI/ML 功能，这些设备通常硬件资源有限，而且在许多情况下由电池供电。
在资源和功耗受限的硬件上运行的边缘 AI/ML 的潜力催生了“TinyML”这一术语。实际用例涵盖工业（如预测性维护）、楼宇自动化（环境监控）、建筑施工（监督人员安全）和安防等领域。
|
楼主
标题置顶
标题高亮
