|
來源：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。我們可以自信地說出這一點，因為很多半導體制造商已經擁有專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主力微控制器(MCU)一樣無所不在。事實上，它們是MCU的自然進化階段。 這時產生了一個相關的問題，就是如何開始使用人工智能。但這問題忽略了一個更相關問題的答案，應該這樣問“什么樣的人工智能適合你”。是的，人工智能將無所不在，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。 安富利知道客戶最關心的是結果。透過了解用例，可能的解決方案通常會自己顯現(xiàn)。在人工智能變得如此容易獲得之前，這是真的，而現(xiàn)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，改變的是客戶的型態(tài)。人工智能出現(xiàn)在軟件領域，因此真正的專家是那些擁有十年以上經驗的軟件公司。將軟件推向市場，需要合適的硬件搭配，特別是在工業(yè)、醫(yī)療和航空航天等領域。 Avnet Silica 系統(tǒng)解決方案，人工智能/機器學習與視覺，歐洲、中東和非洲的經理 Michaël Uyttersprot 表示，這是安富利可以提供真正價值的一個領域，他說：「我的部分職責是確保我們擁有所需的專業(yè)知識和合作伙伴，來幫助這些具有計算器視覺經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域，包括工業(yè)、汽車、醫(yī)療、航空航天和國防。機器學習(ML)用于多種用例，包括預防性維護。但是，正如Uyttersprot解釋的那樣，視覺部分吸引了最多人的興趣。他說：「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，例如在駕駛時使用手機�！� 為使用機器學習(ML)的工業(yè)視覺選擇正確的硬件 在開發(fā)機器視覺系統(tǒng)時，選擇正確的圖像傳感器是最重要的設計決策之一。當使用機器學習分析圖像數據時，這一點更為重要。 「如果你想使用具備機器學習的機器視覺來檢查快速移動的東西，比如生產在線的瓶子，會需要使用帶有全局快門的相機模塊。滾動快門在此應用程序中不起作用，因為有可能會遺漏細節(jié)」Uyttersprot說。 同樣地，圖像傳感器需要適合操作環(huán)境。在某些應用中，有必要選擇一個同時具有適當低旋光性能的圖像傳感器。使用機器視覺時必須考慮這些因素，但在產生將使用機器學習解釋的數據時，這些考慮因素變得更加相關。 因為數據是由算法而不是由人來分析的，所以這提供了在機器視覺系統(tǒng)中引入不同感測模式的機會。這可能包括圖像傳感器以外的模式，例如飛行時間、雷達和激光雷達。隨之而來的則是對傳感器融合的需求。 傳感器融合是指從多個來源獲取數據，并將其合并為一個單一的數據集，以輸入神經網絡的過程。這是一個關鍵階段，因為每個傳感器數據的加權方式將影響其與最終數據集的相關性。 每個用例都不同，因此沒有一套標準的方法，這表示傳感器融合可能交由制造商來負責。當您與安富利合作時，相關專家會負責傳感器融合。通常來說，這些專家是開發(fā)機器學習應用程序的軟件公司，但也可能是客戶，由安富利及其合作伙伴協(xié)助。 
Michaël Uyttersprot 工業(yè)中的機器學習的訓練和遷移學習 創(chuàng)建一個演示器來證明機器學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發(fā)工具包的伙伴合作時。將該概念應用于生產仍然是困難。 「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施。客戶可能需要從有建立數據經驗的公司購買數據，或者他們需要自己建立數據」Uyttersprot 說。 這就是遷移學習等技術有用的地方，它可以將為一個用例創(chuàng)建的數據移植到一個新的但相似的用例。這只是其中一種解決方案。另一個可能是使用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習算法，而無需實際建立案例。 合成數據有其優(yōu)勢，但與機器學習中的大多數事情一樣，它不一定容易。了解挑戰(zhàn)是取得最佳結果的重要部分。當安富利開始與客戶合作時，第一步是介紹機器學習以及它可以提供什么。 下一步是了解客戶真正想要實現(xiàn)的目標。在某些情況下，它可能只需要沒有機器學習的計算器視覺。在與合作伙伴一起開發(fā)解決方案之前，確�？蛻舫浞至私膺@些選項是非常重要的。 邊緣與云運算 隨著人工智能向網絡邊緣移動，這個問題時常出現(xiàn)。然而，Uyttersprot指出，兩者將繼續(xù)共存，因為都有各自的優(yōu)點。 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(xù)改進算法，則在云中處理才是更好的解決方案。 「同時使用邊緣和云是有意義的。」Uyttersprot說，「如果您在不同位置有許多產品，例如智能恒溫器，則可以使用邊緣處理。但是通過云共享數據可使算法改進，可以在整個恒溫器網絡中推行�！� 結論 機器學習在工業(yè)領域中的使用一直在增加，部分原因是越來越多的高性能處理器配備強大AI加速技術。但無論是在訓練還是部署方面，軟件仍然是等同重要的關鍵。建模技術和遷移學習可以提供幫助，處理器制造商提供的資源和軟件工具也可以協(xié)助。要開發(fā)成功的機器學習用例，硬件和軟件必須共同工作。 |
