在AI &大数据博览会的一次采访中，Edge Impulse的产品主管Alessandro Grande讨论了围绕为资源受限的边缘设备开发机器学习模型以及如何克服这些问题的问题。
在讨论中，Grande就当前的挑战、Edge Impulse如何帮助解决这些问题以及设备上人工智能的巨大前景提供了深刻的见解。
采用边缘人工智能的主要障碍
Grande强调了公司在尝试生产边缘机器学习模型时面临的三个主要痛点，包括确定最佳数据收集策略的困难，缺乏人工智能专业知识，以及硬件，固件和数据科学团队之间的跨学科沟通障碍。
格兰德说:“很多制造边缘设备的公司对机器学习并不熟悉。“将这两个世界结合在一起是第三个挑战，让团队相互沟通，分享知识，朝着相同的目标努力。”
精益和高效模式的策略
当被问及如何优化边缘环境时，Grande强调首先要尽量减少所需的传感器数据。
“我们看到很多公司都在为数据集发愁。什么数据是足够的，他们应该收集什么数据，他们应该从哪个传感器收集数据。这是一场巨大的斗争，”格兰德解释道。
选择高效的神经网络架构会有所帮助，量化等压缩技术也可以在不显著影响精度的情况下降低精度。始终平衡传感器和硬件约束与功能、连接需求和软件需求之间的关系。
Edge Impulse旨在使工程师能够使用通用的机器学习评估指标在部署前验证和验证模型，确保可靠性，同时加快实现价值的时间。端到端开发平台与所有主流云和ML平台无缝集成。
设备智能的变革潜力
格兰德强调了已经利用边缘智能提供个性化健康洞察而不依赖云的创新产品，例如Oura Ring的睡眠跟踪。
格兰德解释说:“它的销量超过了10亿部，这是每个人都能体验到的，每个人都能感受到边缘人工智能的真正力量。”
其他令人兴奋的机会还存在于通过生产线异常检测进行预防性工业维护方面。
最终，格兰德认为，设备上的人工智能将极大地提高日常生活中的实用性和可用性。边缘设备不仅仅是原始数据，还可以解释传感器输入，提供以前不可能的可行建议和响应体验——预示着更有用的技术和更高的生活质量。
在边缘设备上释放人工智能的潜力取决于克服当前阻碍采用的障碍。在今年的人工智能与大数据博览会上，格兰德和其他领先的专家就如何打破障碍，释放边缘人工智能的全部可能性提供了深刻的见解。
格兰德总结道:“我希望看到一个我们所使用的设备对我们更有用的世界。”
作者：法瑞恩
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：15264513609，邮箱：1027830374@qq.com
2023-12-22 12:57:35
法瑞恩