В інтерв’ю на виставці AI & Big Data Expo Алессандро Гранде, керівник відділу продуктів Edge Impulse, обговорив проблеми, пов’язані з розробкою моделей машинного навчання для периферійних пристроїв з обмеженими ресурсами, і способи їх подолання.
Під час обговорення Гранде надав глибокі погляди на поточні виклики, на те, як Edge Impulse допомагає вирішувати ці труднощі, і надзвичайні перспективи ШІ на пристрої.
Ключові перешкоди з впровадженням периферійного штучного інтелекту
Гранде виділив три головні проблемні моменти, з якими стикаються компанії, коли вони намагаються розробити граничні моделі машинного навчання, включаючи труднощі з визначенням оптимальних стратегій збору даних, дефіцит досвіду штучного інтелекту та міждисциплінарні комунікаційні бар’єри між апаратним забезпеченням, програмним забезпеченням і командами з обробки даних.
«Багато компаній, які розробляють периферійні пристрої, не дуже знайомі з машинним навчанням», — каже Гранде. «Поєднання цих двох світів є третім викликом, насправді, пов’язаним із тим, щоб команди спілкувалися одна з одною та могли ділитися знаннями та працювати над тими самими цілями».
Стратегії ощадливих та ефективних моделей
Відповідаючи на запитання, як оптимізувати роботу для периферійних середовищ, Гранде підкреслив, що спочатку необхідно мінімізувати дані датчиків.
«Ми бачимо, як багато компаній борються з набором даних. Яких даних достатньо, які дані вони повинні збирати, які дані з яких датчиків вони повинні збирати. І це велика боротьба», — пояснює Гранде.
Допомагає вибір ефективної архітектури нейронної мережі, а також методи стиснення, як-от квантування, щоб зменшити точність без суттєвого впливу на точність. Завжди враховуйте обмеження датчиків і обладнання з функціональністю, потребами підключення та вимогами до програмного забезпечення.
Edge Impulse має на меті дозволити інженерам перевіряти та перевіряти самі моделі перед розгортанням, використовуючи загальні показники оцінки машинного навчання, забезпечуючи надійність і прискорюючи час отримання вартості. Платформа наскрізної розробки бездоганно інтегрується з усіма основними хмарними платформами та платформами машинного навчання.
Трансформаційний потенціал інтелекту на пристрої
Гранде наголосив на інноваційних продуктах, які вже використовують граничний інтелект, щоб надати персоналізовану інформацію про здоров’я, не покладаючись на хмару, наприклад, відстеження сну за допомогою Oura Ring.
«Її продано понад мільярд одиниць, і це те, що кожен може відчути справжню силу периферійного ШІ», — пояснює Гранде.
Інші захоплюючі можливості існують навколо профілактичного промислового обслуговування через виявлення аномалій на виробничих лініях.
Зрештою, Гранде бачить величезний потенціал штучного інтелекту на пристрої для значного підвищення корисності та зручності використання в повсякденному житті. Замість просто необроблених даних, периферійні пристрої можуть інтерпретувати вхідні дані датчиків, щоб надавати дієві пропозиції та чуйний досвід, який раніше був неможливий, провіщаючи більш корисні технології та покращену якість життя.
Розкриття потенціалу штучного інтелекту на периферійних пристроях залежить від подолання поточних перешкод, які гальмують впровадження. Гранде та інші провідні експерти представили на цьогорічній виставці AI & Big Data Expo те, як подолати бар’єри та розкрити всі можливості периферійного ШІ.
«Я хотів би побачити світ, де пристрої, з якими ми маємо справу, були б для нас більш корисними», — підсумовує Гранде.
Повне інтерв’ю ви можете подивитися за посиланням.
