Освоение встроенного AI

Привлекательность внедрения ИИ во встроенные приложения очевидна, например, использование идентификатора лица для авторизации доступа к элементам управления машиной на заводе. Распознавание лиц, голосовое управление, обнаружение аномалий - с ИИ есть так много возможностей. Я буду использовать Face-ID в качестве примера в этом блоге. Намного проще в использовании, интеллектуальнее и надежнее, чем традиционные человеко-машинные интерфейсы и пароли. Не говоря уже о том, что это делают все остальные. Принцип работы ИИ может показаться волшебным, но то, что он может делать, быстро становится минимальным ожиданием. Никто не хочет прозрачно оценивать продукты на основе вчерашних технологий.

Проблема

У создателя продукта есть проблема. Разработка на основе искусственного интеллекта сильно отличается от стандартной разработки встраиваемых систем. Вы не пишете программное обеспечение, по крайней мере, для основной функции. Вы должны обучить нейронную сеть распознавать закономерности (например, изображения), как если бы вы обучали ребенка в школе. Затем вы должны оптимизировать эту сеть с учетом ограниченного пространства вашего встраиваемого устройства, чтобы удовлетворить требованиям по размеру и мощности. Нейронные сети могут не быть обычным кодом, но сеть и ее вычисления по-прежнему потребляют память и сжигают энергию. Как разработчик встраиваемых систем вы знаете, насколько важно максимально сжать эти показатели. Я расскажу об этом в своем следующем блоге. А пока давайте разберемся хотя бы частично в том, как работают эти нейронные сети.

Основы

Я не хочу проводить вас через длинное объяснение нейронных сетей; что вам нужно сделать, чтобы ваше приложение заработало. Нейронная сеть концептуально представляет собой серию слоев «нейронов». Каждый нейрон считывает два (или более) входа из предыдущего слоя или входные данные, применяет вычисление с использованием обученных весов и передает результат. На основе этих весов слой обнаруживает элементы, которые становятся все более сложными по мере продвижения по слоям, в конечном итоге распознавая сложное изображение на выходе.

Тогда первая умная часть заключается в разработке сети - сколько слоев, связей между слоями и так далее - основного алгоритма нейронной сети. Вторая умная часть - на тренировках. Это процесс, в котором множество изображений пропускается через сеть с маркировкой, чтобы определить, что следует распознать. Эти прогоны создают значения веса, необходимые для распознавания.

Если вы амбициозны, вы можете создать свою собственную нейронную сеть с нуля для одной из стандартных сетей, таких как TensorFlow. Вы также можете начать с варианта с открытым исходным кодом, такого как этот для идентификатора лица. Вы можете встроить все это в приложение, которое можно запускать на ноутбуке, что будет удобно для клиентов, которые хотят регистрировать новые одобренные лица. Теперь вы можете начать тренировку своей сети с помощью тестового набора одобренных лиц в нескольких позах.

Почему бы просто не сделать это в облаке?

Существуют сервисы, которые будут распознавать лица онлайн - не нужно лезть в грязный ИИ на вашем устройстве. Просто сделайте снимок, загрузите его в облако, приложение отправит ответ «ОК», и ваш продукт подтвердит следующий шаг.

Но - все ваши утвержденные сотрудники должны иметь свои фотографии и другие учетные данные в облаке. Может быть, не такая уж и хорошая идея для безопасности и конфиденциальности. Вы потратите немало энергии, передавая изображение в облако каждый раз, когда работник захочет получить доступ к машине. А если у вас нет интернет-соединения, никто не может быть одобрен, пока оно не восстановится. Выполнение аутентификации прямо на устройстве обеспечивает конфиденциальность и безопасность, снижает энергопотребление и продолжает работать даже при отключении сетевого подключения.

Далее - встраивание вашей обученной сети

Теперь, когда сложная часть ИИ сделана, вам нужно загрузить ее на свое устройство. Это интересный шаг сам по себе, и вам определенно понадобится помощь от вашей платформы искусственного интеллекта. Я расскажу об этом подробнее в моем следующем блоге. Между тем, для получения дополнительной информации ознакомьтесь с разделом «Глубокое обучение для мира встроенных систем в реальном времени».

Ариэль Гершковиц является старшим менеджером CEVA по клиентским решениям для инструментов разработки программного обеспечения. Ариэль обладает более чем 14-летним многопрофильным опытом, охватывающим разработку программного обеспечения, проверку, интеграцию и развертывание поставок программного обеспечения как в технических, так и в управленческих ролях. Он увлечен пользовательским интерфейсом, простотой использования и инновационными технологиями. Отлично разбирается в сложных проблемах и упрощает их для быстрого решения. Ариэль имеет степень бакалавра наук. Имеет степень бакалавра компьютерных наук Университета Бен-Гуриона и степень магистра делового администрирования Университета Бар-Илан.

Связанное содержание:

• Применение машинного обучения во встроенных системах
• Проблемы и возможности машинного обучения в Интернете вещей
• Устранение предвзятости при обучении в машинном обучении
• Использование ПЛИС для глубокого обучения
• Контрольные показатели отражают широкий диапазон эффективности логического вывода машинного обучения.
• Передача обучения для Интернета вещей
• Алгоритмы искусственного интеллекта и проблемы для автономных транспортных средств

Чтобы получить больше информации о Embedded, подпишитесь на еженедельную рассылку Embedded по электронной почте.